API Aberta do Xiaomi MiMo-V2.5-TTS: suporta canto, ajuste de emoções na linguagem natural, clonagem de voz em segundos de áudio

ME News Notícias, 24 de abril (UTC+8), de acordo com o monitoramento do Beating, a Xiaomi lançou a série de modelos de síntese de voz MiMo-V2.5-TTS, oferecendo serviços através da API da plataforma aberta MiMo, durante o período de testes gratuitos por tempo limitado. Esta série inclui três modelos, destinados a diferentes cenários.
O MiMo-V2.5-TTS possui várias vozes de alta qualidade integradas, suporta modo de canto, e consegue expressar com precisão a altura e o ritmo.
O MiMo-V2.5-TTS-VoiceDesign suporta gerar uma nova voz a partir de uma descrição em linguagem natural, sem necessidade de áudio de referência, podendo definir por idade, género, sotaque, temperamento, entre outros.
O MiMo-V2.5-TTS-VoiceClone realiza clonagem de voz, oferecendo uma reprodução da voz do falante alvo com apenas alguns segundos de áudio de referência, preservando respiração, ritmo e pausas, sem necessidade de treino ou ajuste fino.
As três modelos suportam controle de estilo de voz por comandos em linguagem natural, por exemplo, ajustando emoções com descrições como “suave mas cansado” ou “ternura na agitação”, além de suportar etiquetas de áudio (como “inspiração”, “risada”, “engasgado”) para controle preciso.
No que diz respeito aos idiomas, suportam chinês, inglês, bem como dialetos como o dialeto do Nordeste, Sichuanês, Henanês e Cantonês.
A saída de áudio tem taxa de amostragem de 24000 Hz, e a transmissão em streaming recomenda o formato pcm16.
(Origem: BlockBeats)