MiMo TTS WAV 语音合成

调用小米 MiMo-V2.5-TTS 系列的 OpenAI 兼容 API，将文本合成为 WAV 音频文件。

前置条件

• 环境变量 MIMO_API_KEY 已设置（从 xiaomimimo.com 获取）
• Python 依赖：openai, numpy, soundfile（如用流式）

使用方式

快速合成（非流式）

import os
from openai import OpenAI
import base64

client = OpenAI(
    api_key=os.environ["MIMO_API_KEY"],
    base_url="https://api.xiaomimimo.com/v1"
)

completion = client.chat.completions.create(
    model="mimo-v2.5-tts",
    messages=[
        {"role": "user", "content": "用轻快活泼的语气读出这段文字"},
        {"role": "assistant", "content": "你好，欢迎收听今天的节目。"}
    ],
    audio={
        "format": "wav",
        "voice": "冰糖"  # 预置音色
    }
)

audio_bytes = base64.b64decode(completion.choices[0].message.audio.data)
with open("output.wav", "wb") as f:
    f.write(audio_bytes)

可用模型

预置音色（mimo-v2.5-tts）

• mimo_default（中国集群=冰糖，海外集群=Mia）
• 冰糖（中文女声）
• 茉莉（中文女声）
• 苏打（中文男声）
• 白桦（中文男声）
• Mia（英文女声）
• Chloe（英文女声）
• Milo（英文男声）
• Dean（英文男声）

风格控制

两种方式（二选一）：

1. 自然语言控制 → 写在 role: user 的 content 中
2. 音频标签控制 → 在 role: assistant 的 content 中嵌入 (风格) 和 [音频标签]

见 references/style-guide.md 获取详细风格标签列表。

脚本

• scripts/tts_simple.py — 单次非流式合成 WAV
• scripts/tts_with_style.py — 带风格控制的合成示例
• scripts/tts_stream.py — 流式合成并拼接 WAV

运行方式：python scripts/tts_simple.py "要合成的文本"