Xiaomi MiMo-V2-TTS 是小米自主研发的语音合成大模型。它基于自研 Audio Tokenizer 和多码本语音-文本联合建模架构，经过上亿小时语音数据的大规模预训练与多维度强化学习，实现了高度可控的多粒度语音风格控制。MiMo-V2-TTS 支持从整体风格定调到局部情绪表达的精准调节，能在同一句话内完成语气转折和情感递变；真实还原人类说话的自然韵律；在唱歌时，也能准确表达音高和节奏，自然且富有表现力。 
MiMo-V2-TTS 模型现已可通过 Xiaomi MiMo API 开放平台 访问，限时免费。 
文本风格控制
灵活自定义文本控制风格
MiMo-V2-TTS 支持任意自然语言风格描述，不局限于预设关键词，模型能理解并执行任意描述性表达。 

情感控制：开心、悲伤、生气、温柔、兴奋、平静……
方言支持：东北话、四川话、河南话、粤语、台湾腔……
角色扮演：孙悟空、林黛玉、...