MiMo V2.5 Tts Voiceclone

用参考录音延续声音特征

MiMo-V2.5-TTS Voiceclone 接收一段参考音频和待朗读正文，生成具有相应音色特征的新语音。适合已经有声音样本，希望继续制作课程、旁白或多段角色内容的情况，无需先进行单独的模型训练。

参考音频决定声音方向，正文决定读出什么。选择清晰、单一说话人的 MP3 或 WAV，尽量减少背景音乐、回声和其他人声。不同录音条件会影响可提取的声音信息，制作系列内容时尽量使用一致的参考样本，并用短句试听语调、发音与相似程度。

调用中，待合成正文放在 assistant 消息，user 消息可提供情绪、节奏与场景指令。参考录音经过 Base64 编码后放入 audio.voice，并加上与真实格式一致的数据前缀。编码后的字符串不能超过 10 MB。这个字段应填写实际音频数据，不能用“模仿某种声音”的文字代替录音。

可以用自然语言或音频标签调整表演风格，但本型号不提供内置音色、纯文字声音设计或唱歌模式。低延迟流式输出尚未开放，兼容的流式请求会在推理完成后一次返回结果，应按整段合成的等待方式设计体验。

制作中常问

怎样让多段配音更一致？ 保留同一参考录音、相近指令和文本处理方式，分段试听并检查衔接；音色相似并不保证每次表演完全相同。

只有声音描述可以使用吗？ Voiceclone 需要录音，只有文字描述时应选择专门的声音设计型号。

准备参考录音和朗读正文

将清晰 MP3/WAV 编码为 Base64，放入 audio.voice，例如 data:audio/wav;base64,{实际数据}，并检查编码后大小。

user：保留参考声音的自然感觉，语气平静，语速适中，段落之间稍作停顿。
assistant：这一节，我们先回顾上次的实验结果，再看看新的测量方法。

先用短段试听，再分段制作长内容。不要传内置 voice 名称，也不要添加唱歌模式；按整段结果保存和播放，检查人名、数字、音量与段落首尾。