MiMo V2.5 Tts Voicedesign

用几句话描述你想要的声音

MiMo-V2.5-TTS Voicedesign 适合没有录音样本、希望从文字出发创造声音的任务。你可以描述年龄感、声线质地、情绪和节奏，生成对应方向的语音，用于原创角色、纪录片旁白、播客开场或品牌声音的早期探索。

声音描述放在 user 消息，这是本型号的必要输入；待朗读正文通常放在 assistant 消息。描述不必很长，一到四句即可，重点是核心特征。例如“中年男声，略沙哑但清晰，语速缓慢，像在讲述长途旅行的见闻”，比“普通、好听的声音”更容易形成明确方向。

可以加上角色身份、说话场景和表达方式，让声音与内容相互配合。平静的睡前故事适合柔和节奏，紧张的比赛解说适合更强的情绪推进。避免同时要求互相冲突的特征，也不要把混响、均衡器或压缩等后期效果当作音色描述。

这个型号根据文字设计声音，不使用内置 voice，也不依据录音复刻，且不支持唱歌模式。可选 optimize_text_preview 用于智能润色播报正文；如果必须逐字朗读，应先明确文本处理要求并核对结果。低延迟流式输出尚未开放，兼容流式接口会在全部推理完成后一次返回结果。

设计声音的问题

怎样比较不同设计方向？ 保留同一段试听正文，每次调整少量特征，比较清晰度、情绪和角色适配程度。

能保证长系列每段声音完全一样吗？ 需要实际试听验证一致性，持续使用相同描述，并检查分段衔接和表达变化。

将音色描述与正文分开

user：成年女性旁白，声线清晰略带颗粒感，温暖而从容。语速适中，像在安静地介绍自然纪录片，不使用夸张播音腔。
assistant：清晨的第一束光穿过树叶，森林里的声音渐渐醒来。

先生成短段试听，再调整音色、情绪或节奏。不要传参考录音或内置音色名称。需要原文不变时谨慎使用 optimize_text_preview，并回听核对；按整段结果等待、保存与播放，长内容分段检查声音和音量衔接。