小米发布自研MiMo-V2-TTS大模型 语音合成迈入全能声优时代

2026年3月19日，小米正式发布自研语音合成大模型MiMo-V2-TTS，该模型依托小米自研音频分词器与多码本语音-文本联合建模架构，经上亿小时语音数据预训练，具备情感精细化调节、多类方言生成、高质量歌声合成等能力，实现了语音合成技术从机械复读到情感共鸣的质的跨越。

如果你曾吐槽过智能设备的语音播报像“机械念稿”、导航语音情绪永远平得像白开水，小米这次的新模型或许能彻底改变这种固有印象。3月19日小米相关活动现场放出的演示视频里，MiMo-V2-TTS生成的语音既能模仿长辈唠家常的松弛感，也能一秒切换成播音腔念新闻，甚至能模仿喜剧演员的语气耍宝，表现效果几度超出现场观众预期。

和上一代语音合成模型普遍依赖单一文本-语音映射逻辑不同，MiMo-V2-TTS采用了小米自研的Audio Tokenizer音频分词器与多码本语音-文本联合建模架构，这一设计让模型不再是简单的“拼字发音”，而是能捕捉到人类语音里的韵律、停顿、情绪起伏等隐性细节。
上亿小时多来源语音数据的预训练，更是让模型积累了覆盖不同年龄、地域、场景的人类语音样本库，为多风格、高精度的语音生成打下了坚实基础。

目前公开的测试结果显示，MiMo-V2-TTS的能力已经覆盖“演、说、唱”三大核心场景，实用性远超行业现有同类型产品。

在日常对话场景中，它支持从整体定调到局部情绪的精准调节，甚至能实现同一句话内的语气自然转折，比如带着笑意说一句吐槽的话，委屈感里带点不服气的回应，这些过去AI语音很难实现的细腻表达，现在都能稳定输出。