POST
MiMo 语音合成(TTS)

简介

MiMo 语音合成入口对接小米 MiMo-V2.5-TTS 系列,使用 Chat Completions 形态:待合成的文本放在 assistant 消息里,user 消息用于描述语气、风格或音色设计,音频以 Base64 放在响应的 message.audio.data 中。
网关会原样透传 MiMo 官方请求体(包括音色设计与音色复刻字段),因此本页参数与 MiMo 官方协议一致;返回内容与错误体同样保持 MiMo 原始格式。
与其他接口不同,MiMo 的错误响应不会被包装成 OpenAI 错误结构,而是原样返回上游状态码与响应体,便于原生客户端兼容。

认证

string
必填
Bearer Token,如 Bearer sk-xxxxxxxxxx
Content-Type 必须为 application/json。

支持模型

请求参数

string
必填
mimo-v2.5-tts、mimo-v2.5-tts-voicedesign 或 mimo-v2.5-tts-voiceclone。
array
必填
消息列表。待合成文本必须放在 role: "assistant" 的 content 中,不能放在 user 里。
object
音频输出参数,见下方字段说明。
boolean
默认值:"false"
是否以 SSE 流式返回音频分片。

audio 字段

string
默认值:"wav"
输出格式:wav、mp3、pcm、pcm16(pcm 与 pcm16 等价)。 流式调用请使用 pcm16,否则分片无法拼接成完整音频。stream: true 时默认 pcm。
string
预置音色 ID 或音频样本的 base64。mimo-v2.5-tts 可选,默认 mimo_default;mimo-v2.5-tts-voiceclone 必填;mimo-v2.5-tts-voicedesign 不支持。
boolean
默认值:"false"
是否智能润色目标播报文本(仅 mimo-v2.5-tts-voicedesign)。为 true 时可省略 assistant 消息。

预置音色

mimo-v2.5-tts 的 audio.voice 可选值:

调用规则

  • 待合成文本写在 assistant 消息;user 消息用于风格指令(自然语言或音频标签),其内容不会被朗读。
  • 使用 mimo-v2.5-tts-voicedesign 时,user 消息必填,其内容即音色描述。
  • 使用 mimo-v2.5-tts-voiceclone 时,audio.voice 传 data:{MIME_TYPE};base64,$BASE64_AUDIO,样本仅支持 mp3 / wav,Base64 后不超过 10 MB。
  • 风格控制支持自然语言(放在 user)与音频标签(放在 assistant,如 (慵懒)、(唱歌)、[叹气])。

示例

预置音色(非流式)

预置音色(流式)

流式返回为 text/event-stream,每个分片的音频在 choices[0].delta.audio.data 中(Base64 编码的 24 kHz PCM16LE 单声道),按到达顺序拼接即可。

音色设计

音色复刻

响应

非流式

音频在 choices[0].message.audio.data,Base64 解码后按 format 保存为音频文件。

流式

Content-Type: text/event-stream,每个 data: 事件包含一个 JSON 分片,音频位于 choices[0].delta.audio.data。最后一个事件后跟 data: [DONE]。usage 通常出现在最后一个包含用量的分片中。

用量与计费

  • usage 为 MiMo 原始用量(prompt_tokens / completion_tokens / total_tokens);
  • 计费按平台对 MiMo 模型的配置执行,可在控制台的调用日志中查看每次请求的用量与扣费。

错误处理

MiMo 入口的错误响应原样透传,不包装成 OpenAI error 结构:
常见情况:

相关页面

实时语音(Realtime)

WebSocket 实时语音对话,适合双向低延迟场景

模型列表

查询当前账号可用的全部模型