MiMo V2.5 语音工作站

基于小米 MiMo TTS API 的语音生产平台，支持三种 TTS 模型、导演指令控制、批量合成、音色克隆/设计。

快速开始

# 安装依赖
uv sync

# 复制配置文件，填入 MIMO_API_KEY
cp .env.example .env

# 启动 Gradio UI（端口 7860）
uv run app.py

# 启动 API 后端（端口 18900）
uv run server.py

功能

• 单句合成：输入文本 + 导演指令，实时生成语音
• 批量生产：上传 txt/json 文件，并发合成
• 音色实验室：VoiceDesign（一句话生成音色）、VoiceClone（音频样本复刻）
• AI 导演：LLM 自动生成导演指令（情绪、停顿、语速控制）

API 端点

原生端点（端口 18900）

方法	路径	说明
POST	/synthesize	单句合成，返回 base64 音频
POST	/synthesize/stream	SSE 流式合成
POST	/voice-design	音色设计
POST	/voice-clone	音色克隆
POST	/batch	批量合成
GET	/voices	列出所有音色

OpenAI TTS 兼容端点

供 Kokoro TTS Reader、Custom TTS Reader 等第三方工具使用：

方法	路径	说明
GET	/v1/models	返回可用模型列表
GET	/v1/audio/voices	返回可用音色列表
POST	/v1/audio/speech	合成端点（支持流式/非流式）

/v1/audio/speech 请求示例：

{
  "input": "你好世界",
  "voice": "Chloe",
  "response_format": "mp3",
  "stream": false
}

• stream=false（默认）：返回完整 MP3/WAV 文件
• stream=true：返回 raw PCM16 流（audio/l16;rate=24000;channels=1）

配合浏览器扩展使用：

1. 启动 uv run server.py
2. 在 Kokoro / Custom TTS Reader 扩展中设置 API URL 为 http://127.0.0.1:18900/v1
3. 音色名手动输入（如 Chloe、冰糖、Mia）

技术栈

• Python 3.12，包管理器：uv
• TTS API：OpenAI SDK 兼容，endpoint token-plan-cn.xiaomimimo.com/v1
• UI：Gradio（app.py）
• 后端：FastAPI（server.py）

项目结构

├── app.py              # Gradio UI（端口 7860）
├── server.py           # FastAPI 后端（端口 18900）
├── config.py           # 配置管理
├── mimo_tts/
│   └── client.py       # MiMo TTS 客户端
├── director/
│   └── agent.py        # AI 导演指令生成
├── pipeline/
│   └── batch.py        # 批量合成引擎
├── voice_lab/
│   └── manager.py      # 音色库管理
└── .env.example        # 环境变量模板

环境配置

复制 .env.example 为 .env，填入 MIMO_API_KEY。

• Token Plan 用户：token-plan-cn.xiaomimimo.com/v1
• 标准 API 用户：api.xiaomimimo.com/v1