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

Notícias ME, 24 de abril (UTC+8), de acordo com o monitoramento do Beating da Dongcha, 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 públicos gratuitos. 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, podendo expressar com precisão a altura e o ritmo. O MiMo-V2.5-TTS-VoiceDesign permite gerar uma nova voz a partir de uma descrição em linguagem natural, sem necessidade de áudio de referência, podendo definir aspectos como idade, género, sotaque e temperamento. O MiMo-V2.5-TTS-VoiceClone realiza clonagem de voz, oferecendo a reprodução do timbre de um falante alvo com apenas alguns segundos de áudio de referência, preservando respiração, ritmo e pausas, sem necessidade de treino ou ajuste fino.
Os três modelos suportam controle de estilo de voz por comandos em linguagem natural, como ajustar emoções com descrições como «suave mas cansado» ou «ternura na agitação», além de suportar etiquetas de áudio (como «inspiração», «risada» ou «gaguejar») para controle preciso. Em termos de idiomas, suportam chinês, inglês, bem como dialetos como o do Nordeste, Sichuan, Henan e cantonês. A saída de áudio tem taxa de amostragem de 24000 Hz, recomendando-se o formato pcm16 para streaming. (Fonte: BlockBeats)