小米推出MiMo-V2.5语音全栈方案，覆盖TTS与ASR

小米发布了MiMo-V2.5 Voice——一套覆盖语音合成（TTS）和语音识别（ASR）的全栈语音方案。这意味着，它不再只提供单点能力，而是为AI代理（Agent）时代的多环节语音交互准备了一套可协同工作的基础模块。

MiMo-V2.5-TTS系列强调指令遵循、表达可控与工作流嵌入。这意味着，开发者能用自然语言指令精确控制语调、停顿、情绪甚至角色切换，而不是仅生成一段固定音频。

MiMo-V2.5-ASR被开源，专为复杂真实语音设计：它要处理口音、中英混说、背景噪音、多人重叠说话，以及含大量专业术语的语音内容。这意味着，它的识别目标不是实验室里的标准朗读，而是会议记录、现场访谈、远程协作等真实场景中的‘听不清但必须懂’的任务。

这套方案没有单独强调性能数字或SOTA排名，而是把能力锚定在‘能否进入实际工作流’上——TTS要能被提示词调度，ASR要能在嘈杂中稳定输出结构化文本。