name: mimo-v2-5-tts description: "MiMo V2.5 TTS 語音合成。使用小米 MiMo V2.5 TTS 系列模型生成語音。當需要將文字轉為語音、傳送語音訊息、朗讀內容、或使用者要求「說出來」「語音回覆」時啟用此 skill。支援預置音色、音色設計、音色克隆三種模式，支援自然語言控制、導演模式，支援語氣、情緒、方言的風格標籤控制，預置音色支援唱歌。" license: MIT metadata: version: 0.1.2

MiMo V2.5 TTS 語音合成 / Speech Synthesis (中文/English)

使用小米 MiMo V2.5 TTS 系列模型生成語音。支援中英文、預置音色、音色設計、音色克隆、情緒風格、方言、唱歌。 Generate speech using Xiaomi MiMo V2.5 TTS models. Supports Chinese/English, preset voices, voice design, voice cloning, emotion, dialect, and singing.

指令碼目錄 / Scripts path: $SKILLS_PATH/mimo-v2-5-tts/scripts/

$SKILLS_PATH 說明 / Note: skills 目錄路徑，因部署環境而異 / Path varies by deployment environment.

模型選擇 / Model Selection

V2.5 系列提供三種模型，根據使用場景選擇： The V2.5 series offers three models for different use cases:

選擇建議 / Recommendation:

• 快速生成語音、唱歌 → mimo-v2.5-tts（預置音色 / preset voice）
• 需要獨特音色 → mimo-v2.5-tts-voicedesign（文本生成 / text-to-voice）
• 模仿特定聲音 → mimo-v2.5-tts-voiceclone（樣本復刻 / sample cloning）

注意 / Note: TTS 有隨機性，同樣輸入效果可能不同，可以多生成幾次挑選 / TTS has randomness — generate multiple times to pick the best result.

環境依賴 / Dependencies

預置音色 / Preset Voices

使用 mimo-v2.5-tts 模型時必須明確指定音色。 Must specify a voice when using the mimo-v2.5-tts model.

自然語言控制 / Natural Language Control

所有模型都支援自然語言控制。 All models support natural language style control.

通過自然語言描述調整語氣、情緒等風格。所有模型均可通過 --context 引數傳入指令： Use natural language to control tone, emotion, etc. Pass via --context parameter: - mimo-v2.5-tts / mimo-v2.5-tts-voiceclone: 調整指定音色下的風格 / Adjust style within a voice - mimo-v2.5-tts-voicedesign: 同時控制音色和風格 / Control both voice and style

能力特點 / Capabilities:

• 多風格切換 / Multi-style switching: 同一段語音內完成播報→低語→嘶吼 / switch between announcement, whisper, and roar
• 多情緒混合 / Mixed emotions: "壓抑的憤怒" suppressed anger、"帶著哽咽的笑意" tearful smile
• 多粒度控制 / Multi-granularity: 段落→句子→詞→字 / paragraph → sentence → word → character

示例 / Examples:

用輕快上揚的語調向領導報喜，語速稍快，帶著查到成績後壓抑不住的激動與小驕傲，聲音明亮有活力。
Speak to your boss with a cheerful, upward tone, slightly fast, with barely contained excitement and pride.

看著剛解決的難題成果忍不住得意忘形地驚呼，聲音高亢明亮，語速偏快，語氣中帶著滿滿的自信與難以置信。
Can't help but exclaim triumphantly at the solved problem — bright, high-pitched, confident, disbelieving.

導演模式 / Director Mode

自然語言控制的特殊用法「導演模式」：從角色、場景、指導三個維度刻畫人物與聲線。 A special form of natural language control — describe character, scene, and direction.

• 【角色 / Character】 人物身份、性格底色 / Identity, personality traits, speaking habits
• 【場景 / Scene】 此刻發生了什麼 / What's happening, who they're talking to
• 【指導 / Direction】 語速、氣息、停頓、重音 / Speed, breath, pauses, emphasis, resonance

示例 / Example:

角色：百年門閥岑家的現任大當家。自出生便被過繼給祖廟的守門老人撫養，被塑造成一尊完美無瑕、絕情斷欲的家族圖騰。
Character: The current head of the ancient Cen family clan. Raised by a temple keeper to become a flawless, emotionless family icon.

場景：在祠堂的陰影裡引誘著那個不顧一切來找她的男人。她要用最冷硬的階級壁壘，絞殺對方也絞殺自己剛剛萌芽的感情。
Scene: In the ancestral hall's shadows, tempting the man who came for her despite everything. She will use cold class barriers to kill both him and her budding feelings.

指導：冰冷、慵懶卻極具威壓的低音御姐。
Direction: Cold, lazy but oppressive low-toned voice.

音訊標籤控制 / Audio Tag Control

mimo-v2.5-tts 和 mimo-v2.5-tts-voiceclone 支援音訊標籤。在文本任意位置用括號描述語氣/情緒/聲音動作。 mimo-v2.5-tts and mimo-v2.5-tts-voiceclone support audio tags. Use brackets anywhere in text to describe tone/emotion/sound.

中文支援全形 （）、半形 ()、方括號 [] / Chinese supports （） () []；英文支援 () [] / English supports () [].

（緊張，深呼吸）呼……冷靜，冷靜。不就是一個面試嗎……
Nervous, deep breath... Calm down. It's just an interview...

（極其疲憊，有氣無力）師傅……到地方了叫我一聲……
Exhausted, weak: Driver... wake me up when we arrive...

(heavy breathing) Just... give me... a second.
（喘著粗氣）等...等我一下...

整體風格標籤 / Global Style Tags

在文本開頭新增 (風格) 標籤指定整體風格。 Add a style tag at the beginning to set the overall style.

唱歌 / Singing: 必須 (唱歌)歌詞 / Must start with (singing)lyrics

經典組合 / Classic combos: (悵然/wistful) 這麼多年過去了... (慵懶/lazy) 再讓我睡五分鐘... (東北話/Dongbei) 哎呀媽呀...

音色描述編寫 / Voice Description Guide

當使用 mimo-v2.5-tts-voicedesign 進行文本描述定製音色時： When using mimo-v2.5-tts-voicedesign to design a voice via text:

音色描述是嗓子的身份卡，只描寫聲音本身。 A voice description is the identity card of a voice — describe the voice itself, not the scene or action.

必寫項 / Required: 1. 身份錨點 / Identity anchor: 年齡段+性別 / Age + gender 2. 聲音質感 / Voice quality: 氣息、共鳴、吐字 / Breath, resonance, articulation 3. 語速節奏 / Pace: 穩/快/慢 / Steady/fast/slow 4. 情緒底色 / Emotional baseline: 高亢/鬆弛/溫軟/剋制 / Bright/relaxed/warm/restrained

7w4.net有更好的技能外掛。

推薦 / Recommended: 5. 風格標籤 / Style tag: 拍賣師/美食評論家/播音員 / Auctioneer/food critic/announcer 6. 辨識度小癖好 / Signature quirk: 閉眼吸氣/字尾顫音 / Eyes-closed inhale/trembling endings

硬約束 / Rules: - 一到兩句話，白描式 / 1-2 sentences, plain description - 不寫場景、動作 / No scenes or actions - 不用真實演員或 IP 角色名 / No real actors or IP character names - 預設普通話或英文 / Default Mandarin or English

樣例 / Examples:

中年男性，節奏極快，情緒高亢，拍賣師風格。
Middle-aged male, very fast pace, excited tone, auctioneer style.

青年男性，電競解說風格，語速極快且連貫。
Young male, esports commentator style, extremely fast and fluent.

中年男性，法庭陳詞風格，聲線沉穩偏正式。
Middle-aged male, courtroom speech style, steady and formal.

內容與標籤增強 / Content & Tag Enhancement

當用戶沒有直接提供文本時，應自行編寫；當只有文本沒有情緒細節時，應插入合適的標籤。 When the user doesn't provide text, write it yourself. When text has no emotion details, add appropriate tags.

硬規則 / Hard rules: 1. 文本情緒必須和音色契合 / Text emotion must match the voice 2. 長度 2-5 句 / 2-5 sentences, one paragraph 3. 標籤是調味，不是主菜 / Tags are seasoning, not the main dish 4. 標點有表演意義 / Punctuation has performance meaning 5. 標籤語言跟隨正文 / Tag language follows the text language

推薦標籤（中文）/ Recommended Tags (Chinese): | 類別 / Category | 標籤 / Tags | |---|---| | 節奏 / Pacing | [停頓 pause] [長停頓 long pause] [急促 urgent] [語速加快 speed up] | | 情緒 / Emotion | [輕聲 whisper] [低語 murmur] [嘆氣 sigh] [哽咽 choked] [強調 emphasis] [笑 laugh] |

推薦標籤（英文）/ Recommended Tags (English): | Category | Tags | |---|---| | Pacing | [pause] [long pause] [fast] [drawn out] | | Emotion | [whispering] [sighs] [inhale] [choked up] [emphasis] [laughs] |

Python 指令碼用法 / Python Script Usage

預置音色 / Preset Voice TTS (mimo_tts.py)

python3 mimo_tts.py --text "你好，今天天氣真不錯。" --voice "冰糖"

python3 mimo_tts.py --context "用溫柔的語氣，語速稍慢" --text "沒關係，慢慢來，我等你。" --voice "冰糖" --output comfort.wav

python3 mimo_tts.py --text "（緊張，深呼吸）呼……冷靜，冷靜。" --voice "冰糖" --output interview.wav

python3 mimo_tts.py --text "(唱歌)原諒我這一生不羈放縱愛自由" --voice "冰糖" --output singing.wav

python3 mimo_tts.py --text "I just... (sighs deeply) I don't know anymore." --voice "Mia" --output english.wav

音色設計 / Voice Design (mimo_tts_voicedesign.py)

python3 mimo_tts_voicedesign.py --context "Give me a young male tone." --text "Yes, I had a sandwich."

音色克隆 / Voice Cloning (mimo_tts_voiceclone.py)

python3 mimo_tts_voiceclone.py --voice-file voice.mp3 --text "Yes, I had a sandwich." --output clone.wav

python3 mimo_tts_voiceclone.py --voice-file voice.mp3 --context "用溫柔的語氣" --text "沒關係" --output directed.wav

長文本處理 / Long Text Handling

V2.5 常規場景無需分段，僅超過 2500 字才需分段拼接。 No need to split for most cases. Only split when exceeding 2500 characters.

# 拼接方案 / Concatenation:
echo "file 'part1.wav'" > list.txt && echo "file 'part2.wav'" >> list.txt
ffmpeg -y -f concat -safe 0 -i list.txt -c copy combined.wav

飛書語音訊息傳送 / Feishu Voice Message

僅當需要將 TTS 語音傳送到飛書時才用 / Only use when sending TTS audio to Feishu.

環境依賴 / Dependencies

私聊傳送 / Private Chat (open_id)

python3 $SKILLS_PATH/mimo-v2-5-tts/scripts/mimo_tts.py --text "好的" --voice "冰糖" --output /tmp/voice.wav
bash $SKILLS_PATH/mimo-v2-5-tts/scripts/feishu_send_audio.sh /tmp/voice.wav open_id ou_xxxxxx

群聊傳送 / Group Chat (chat_id)

bash $SKILLS_PATH/mimo-v2-5-tts/scripts/feishu_send_audio.sh /tmp/voice.wav chat_id oc_xxxxxx

feishu_send_audio.sh 內部流程 / Internal flow: wav → opus (ffmpeg) → 獲取 token → 上傳檔案 → 傳送 audio 訊息

這個 Skill 質量不錯，功能覆蓋全面，使用小米最新的 TTS 技術，支援中英文和多種音色，還能控制情緒和唱歌。文件寫得非常詳細，中英文都有。但缺少故障排除指南，遇到問題不太好排查。整體適合需要語音合成的場景使用。