Metadata

name: mimo-tts
version: 1.2.0
description: 小米 MiMo V2 TTS 语音合成。支持中文、英文及多种风格（情感、角色扮演、方言、语速控制等）。
category: audio-generation
tags: ["tts","voice","audio","mimo","xiaomi"]

MiMo TTS — 小米 MiMo 语音合成

通过小米 MiMo V2 TTS API 将文字转为自然流畅的语音。

前置条件

1. 安装依赖

pip install requests
apt install ffmpeg  # opus 格式需要

2. 配置 API Key

在 ~/.openclaw/openclaw.json 中确认 skills.entries.mimo-tts 已配置：

{
  "skills": {
    "entries": {
      "mimo-tts": {
        "env": {
          "MIMO_API_KEY": "your-api-key"
        }
      }
    }
  }
}

💡 也可通过环境变量 export MIMO_API_KEY=xxx 设置。

使用方式

python3 /root/.openclaw/skills/mimo-tts/scripts/tts.py --text "要合成的文字" --output audio.wav

参数

参数	说明	默认值
`--text`	要合成的文字（单条模式，必填）	—
`--batch`	批量模式：文本文件路径（每行一条）	—
`--output`	输出文件路径（单条模式）	`output.wav`
`--output-dir`	输出目录（批量模式）	`./voices`
`--voice`	音色	`mimo_default`
`--style`	语音风格（可多次指定以组合）	—
`--format`	输出格式：`wav` / `pcm16` / `opus`	`wav`
`--user-text`	用户侧消息（辅助上下文）	—

可选预置音色

voice 参数	说明
`mimo_default`	MiMo-默认
`default_zh`	MiMo-中文女声
`default_en`	MiMo-英文女声

当前不支持音色克隆。

风格控制

将 <style>风格</style> 置于转换目标文本开头。如需设置多种风格，请将多个风格名称置于同一个 <style> 标签内，分隔符不限。

格式：<style>风格1 风格2</style>待合成内容

风格类型	示例
语速控制	变快、变慢
情绪变化	开心、悲伤、生气
角色扮演	孙悟空、林黛玉
风格变化	悄悄话、夹子音、台湾腔
方言	东北话、四川话、河南话、粤语
其他	唱歌、叙事、讲故事

音频标签细粒度控制

通过 [音频标签] 可精准调节语气、情绪和表达风格，支持插入呼吸声、停顿、咳嗽等自然表现，语速也可灵活调整。

示例：

（紧张，深呼吸）呼……冷静，冷静。不就是一个面试吗……（语速加快，碎碎念）自我介绍已经背了五十遍了，应该没问题的。
（极其疲惫，有气无力）师傅……到地方了叫我一声……（长叹一口气）我先眯一会儿，这班加得我魂儿都要散了。
（提高音量喊话）大姐！这鱼新鲜着呢！早上刚捞上来的！

示例

# 基础合成
python3 tts.py --text "你好，世界！" --output hello.wav

# 情感风格
python3 tts.py --text "明天就是周五了，真开心！" --style 开心 --output happy.wav

# 角色扮演
python3 tts.py --text "俺老孙来也！" --style 孙悟空 --output wukong.wav

# 英文
python3 tts.py --text "Hello world!" --voice default_en --output hello_en.wav

# 东北话
python3 tts.py --text "哎呀妈呀，这天儿也忒冷了吧！你说这风，嗖嗖的，跟刀子似的，割脸啊！" --style 东北话 --output dongbei.wav

# 粤语
python3 tts.py --text "呢个真係好正啊！食过一次就唔会忘记！" --style 粤语 --output cantonese.wav

# 唱歌
python3 tts.py --text "原谅我这一生不羁放纵爱自由，也会怕有一天会跌倒" --style 唱歌 --output song.wav

# 飞书语音消息（opus 格式，可直接发送）
python3 tts.py --text "你好呀" --format opus --output hello.opus

# 多风格组合（情感 + 方言）
python3 tts.py --text "好开心呀" --style "开心 四川话" --output happy_sichuan.opus

# 带上下文辅助调整语气
python3 tts.py --text "这个产品非常好用" --style 开心 --user-text "用户刚刚购买了我们的产品" --output review.wav

# 批量合成（从文件读取，每行一条）
python3 tts.py --batch texts.txt --output-dir ./voices --format opus

输出格式

支持 wav、pcm16、opus 三种格式。其中 opus 格式专为飞书语音消息设计，可直接发送。

{
  "status": "success",
  "file": "output.wav",
  "size_kb": 128.5,
  "duration_sec": 5.2,
  "voice": "mimo_default",
  "style": "开心",
  "text": "明天就是周五了，真开心！"
}

注意事项

语音合成目标文本需填写在 role: assistant 的消息中，不可放在 user 角色。
user 角色消息为可选参数，但建议携带，可在部分场景下调整语音合成的语气与风格。
唱歌风格必须在文本最开头添加 <style>唱歌</style>，如：<style>唱歌</style>歌词
风格支持中文名（开心、东北话等），也支持英文名（Happy、Northeastern dialect），API 均可识别。

故障排除

问题	原因	解决方案
`未设置 MIMO_API_KEY`	未配置 API Key	在 `skills.entries.mimo-tts.env` 中配置
`API 返回异常`	Key 无效或过期	检查 Key 是否正确
`未获取到音频数据`	文本被拒绝	检查文本内容
`requests 超时`	网络问题	自动重试 3 次，检查网络连接
`ImportError: requests`	缺少依赖	`pip install requests`
`ffmpeg 未安装`	缺少 ffmpeg	`apt install ffmpeg` / `brew install ffmpeg`

技术细节

模型：mimo-v2-tts
API：https://api.xiaomimimo.com/v1/chat/completions
采样率：24kHz（PCM16 格式）
风格标签格式：<style>风格</style> 放在文字开头
自动重试：API 调用失败时自动重试 3 次（间隔 2 秒）

更新日志

v1.2.0 (2026-03-28)

同步小米官方文档，风格名统一使用中文（开心、东北话、粤语等）
英文风格名仍可兼容使用
新增音频标签细粒度控制说明
更新注意事项和唱歌风格使用指引
修复配置引用路径（mimo-tts）

v1.1.0 (2026-03-27)

新增 --batch 批量合成模式
支持多风格组合：多次指定 --style 参数叠加效果
自动重试机制：API 调用失败时自动重试 3 次
健康检查：启动时检查 API Key 和 ffmpeg 是否可用

MiMo Voice

安装技能