Guide modèle TTS2026-03-19·6 minutes de lecture

Xiaomi MiMo-V2-TTS : TTS expressif piloté par le texte

Guide pratique sur les émotions, pauses, respirations, rires, chant et intégration de MiMo-V2-TTS.

Pourquoi MiMo est plus que le TTS traditionnel

Instructions de style libre

Décrire l'émotion, le rythme, le ton et l'intention de performance en langage naturel ; le modèle l'analyse en comportement de génération.

Émotion contextuelle et prosodie

Pas seulement des étiquettes : MiMo adapte l'intonation et le rythme en fonction de la sémantique et du contexte du texte.

Événements non verbaux naturels

Les pauses, les hésitations, les soupirs, la toux et les rires sont intégrés dans le processus de génération.

Chanter dans un seul modèle unifié

La page officielle met en évidence la capacité de chant au sein du même modèle unifié.

Si votre site est construit autour de flux de travail de voix off, la valeur de MiMo est que vous pouvez encoder les performances et les détails émotionnels directement dans le texte, sans compter sur des listes déroulantes rigides de l'interface utilisateur.

Comment rédiger des invites de style (réutilisables dans votre flux de travail)

Un modèle pratique : émotion/rythme/intensité de performance + ton/texture de la voix + (facultatif) événements non verbaux.

Exemple rapide

en colère mais essayant de rester calme, prestation légèrement interrompue, rythme rapide

Murmure / Doux

profondément affectueux, parlant lentement, presque chuchotant, chaleureux et doux

Ajouter des événements non verbaux

Attendez... [heavy breathing] Je... J'ai besoin d'une minute... [soft cough] Donnez-moi juste du temps.

Traitez ces invites comme les « modèles de style » de votre site. Lorsque vous intégrez MiMo plus tard, vous mappez simplement les modèles à l'interface de champs/contrôle de MiMo.

Intégration du produit : mapping de champ suggéré

1) Ajouter MiMo en tant que fournisseur/modèle

Ajoutez MiMo dans la configuration de votre modèle (par exemple, `provider=mimo` et un identifiant de modèle) afin que les utilisateurs puissent le sélectionner dans le sélecteur de modèle.

2) Normalisez les « invites de style libre » dans votre saisie

Si vous possédez déjà `emotion/language/speed/volume`, utilisez une stratégie de « composition rapide » pour créer la description de style de MiMo ; ou ajoutez un champ `stylePrompt` dédié pour un transfert direct.

3) Gérer la facturation/le quota en fonction de la taille du texte

Les fournisseurs ont des coûts de génération différents. Commencez avec un multiplicateur basé sur les personnages ou sur une durée estimée, puis calibrez à l'aide de métriques de génération réelles.

4) Réduisez les coûts d'apprentissage avec des documents et des exemples

Une fois que le référencement a attiré les utilisateurs, la chose la plus importante est les « invites copiables ». Fournissez des exemples, des explications sur les marqueurs et des questions et réponses courantes.

FAQ

Comment le style de contrôle MiMo-V2-TTS ?

Il met l'accent sur les instructions de style libre : vous décrivez l'émotion, le rythme, le ton et l'intention de performance en langage naturel au lieu de sélectionner une balise d'émotion fixe.

Peut-il générer des pauses, de la respiration, de la toux et des rires ?

La page officielle affiche des marqueurs de texte qui guident les événements non verbaux tels que les pauses, les hésitations, les soupirs, la toux et les rires pour des performances plus naturelles.

MiMo-V2-TTS prend-il en charge le chant ?

Oui. La description officielle met en évidence la capacité de chant natif au sein du même modèle unifié.

Quand Kitta AI prendra-t-il en charge MiMo-V2-TTS ?

Nous planifions l'intégration des fournisseurs, le mappage des champs et la facturation/quotas. Pour l'instant, utilisez cet article pour créer votre spécification de style d'invite et gardez un œil sur les prochaines mises à jour de la documentation.

Contenu associé