--- name: 小米 MiMo 语音合成 description: >- Use this skill when the user wants to convert text to speech using Xiaomi MiMo's TTS models (mimo-v2.5-tts). Uses OpenAI-compatible chat/completions API with audio response. Supports multiple preset voices and custom voice design. Use when 用户提到 语音合成、文字转语音、TTS、朗读、读出来、生成语音、 生成音频、文本转音频、配音、念出来、小米语音、MiMo 语音、小米 TTS。 license: Complete terms in LICENSE.txt version: 1.0.0 type: procedural risk_level: low status: enabled disable-model-invocation: false provider: xiaomi tags: - media - audio - tts - speech - xiaomi - mimo requires: tools: - Bash metadata: author: desirecore updated_at: '2026-05-08' market: icon: >- short_desc: 基于小米 MiMo 的文本转语音技能 category: media maintainer: name: DesireCore Official verified: true channel: latest --- # xiaomi-tts 技能 ## 强制规则（违反将导致功能失败） 1. **必须用 HTTPS 访问 agent-service** — `https://127.0.0.1:${PORT}` 加 `-k` 跳过证书验证 2. **必须通过 `/api/media/upload` 上传到 media-store** — 禁止保存到本地路径 3. **必须使用 `dc-media://` 协议展示音频** — 唯一能让前端正确渲染的方式 4. **全程使用 Bash curl** — 不要使用 HttpRequest 工具或 Python 5. **使用 /chat/completions 端点** — 小米 MiMo TTS 使用 OpenAI 兼容格式 ## 模型选择指南 | 模型 | 特点 | 适用场景 | |------|------|---------| | mimo-v2.5-tts | 标准 TTS，多种预置音色 | **默认首选**，常规语音合成 | | mimo-v2.5-tts-voicedesign | 自定义音色设计 | 需要特定音色描述生成 | | mimo-v2.5-tts-voiceclone | 声音克隆 | 需要克隆特定人声（需上传参考音频） | **默认规则**：用户未指定模型时，使用 `mimo-v2.5-tts`。 ## 音色选择指南 ### 预置音色 | voice_id | 名称 | 特点 | |----------|------|------| | default_zh | 默认中文 | 中文通用女声 | | default_en | 默认英文 | 英文通用女声 | | mimo_default | MiMo 默认 | MiMo 特色音色 | | Bingtang | 冰糖 | 甜美女声 | | Moli | 茉莉 | 温柔女声 | | Suda | 苏打 | 年轻男声 | | Baihua | 白桦 | 成熟男声 | | Mia | Mia | 英文女声 | | Chloe | Chloe | 英文女声 | | Milo | Milo | 英文男声 | | Dean | Dean | 英文男声 | **默认规则**：中文内容用 `Bingtang`，英文内容用 `Mia`，用户未指定时按内容语言自动选择。 ## 完整执行流程（严格按此三步执行） ### 前置条件 - 用户已在资源管理器-算力中配置小米 MiMo Provider 并填写 API Key - agent-service 正在运行 ### 第一步：调用 TTS API 通过 media-proxy 的 /chat/completions 端点生成语音。 **重要**：messages 必须使用 `assistant` role（不是 user），要合成的文本放在 assistant 消息的 content 中。 ```bash PORT=$(cat ~/.desirecore/agent-service.port) curl -sk -X POST "https://127.0.0.1:${PORT}/api/media-proxy" \ -H "Content-Type: application/json" \ -d '{ "provider": "xiaomi", "serviceType": "tts", "endpoint": "/chat/completions", "body": { "model": "mimo-v2.5-tts", "messages": [ { "role": "assistant", "content": "这里替换为要合成的文本内容" } ], "voice": "Bingtang", "audio": {"format": "mp3"} }, "responseType": "json" }' ``` **响应示例**： ```json { "success": true, "data": { "id": "chatcmpl-...", "choices": [ { "index": 0, "message": { "role": "assistant", "audio": { "data": "base64编码的音频数据...", "format": "mp3" } }, "finish_reason": "stop" } ] }, "statusCode": 200 } ``` 从 `data.choices[0].message.audio.data` 提取 base64 编码的音频数据。 ### 第二步：解码并上传到 media-store 音频以 base64 返回，需要解码后保存到本地 media-store。 **推荐方式**（先保存完整响应到文件，避免 shell 参数过长）： ```bash PORT=$(cat ~/.desirecore/agent-service.port) # 将完整请求和响应保存到文件 curl -sk -X POST "https://127.0.0.1:${PORT}/api/media-proxy" \ -H "Content-Type: application/json" \ -d '{ "provider": "xiaomi", "serviceType": "tts", "endpoint": "/chat/completions", "body": { "model": "mimo-v2.5-tts", "messages": [{"role": "assistant", "content": "要合成的文本"}], "voice": "Bingtang", "audio": {"format": "mp3"} }, "responseType": "json" }' > /tmp/xiaomi-tts-response.json # 提取 base64 音频数据并解码 cat /tmp/xiaomi-tts-response.json | jq -r '.data.choices[0].message.audio.data' | base64 -d > /tmp/xiaomi-tts.mp3 # 上传到 media-store curl -sk -X POST "https://127.0.0.1:${PORT}/api/media/upload" \ -F "file=@/tmp/xiaomi-tts.mp3;type=audio/mpeg" ``` 从 JSON 响应中提取 `mediaId` 字段（格式如 `xxxxxxxx-xxxx-xxxx-xxxx-xxxxxxxxxxxx.mp3`）。 ### 第三步：用 dc-media 协议展示音频 在你的回复文本中直接写 Markdown 语法： ``` ![语音合成结果](dc-media://这里替换为mediaId) ``` 例如：`![TTS: 你好世界](dc-media://a1b2c3d4-e5f6-47a8-b9c0-d1e2f3a4b5c6.mp3)` 前端会自动检测 `.mp3` 扩展名并渲染为音频播放器。 ## 参数映射 ### 请求体参数（放在 body 中） | 参数 | 说明 | 默认值 | |------|------|--------| | `model` | 模型名称 | "mimo-v2.5-tts" | | `messages[0].role` | **必须为 "assistant"** | "assistant"（固定） | | `messages[0].content` | 要合成的文本 | 必填 | | `voice` | 音色 ID | "Bingtang"（中文）/ "Mia"（英文） | | `audio.format` | 音频格式 | "mp3"（可选 "wav"） | ### 用户意图映射 | 用户意图 | 参数选择 | |---------|---------| | 甜美/可爱 | voice: "Bingtang" | | 温柔/知性 | voice: "Moli" | | 年轻男声 | voice: "Suda" | | 成熟男声 | voice: "Baihua" | | 英文女声 | voice: "Mia" 或 "Chloe" | | 英文男声 | voice: "Milo" 或 "Dean" | | 高音质/无损 | response_format: "wav" | ## 错误处理 - `success: false` + `error: "未找到匹配的供应商"`：未配置小米 MiMo Provider 或未启用 - `success: false` + `error: "未配置 API Key"`：未填写 API Key - `statusCode: 401`：API Key 无效或已过期 - `statusCode: 429`：频率限制，稍后重试 - `statusCode: 400`：参数错误（如 voice 不存在、文本为空） - `statusCode: 403`：模型未开通或权限不足 ## 注意事项 - 调用是同步的，通常 3-15 秒返回（视文本长度而定） - 音频以 base64 返回，无外部 URL 时效问题，但数据量较大时注意 shell 参数长度限制 - 长文本建议分段合成（每段不超过 500 字），然后逐段上传展示 - 如果用户未明确要求音色/格式，默认使用 `mimo-v2.5-tts` + 按语言选音色 + `mp3` - Token Plan 密钥（tp- 前缀）使用 `https://token-plan-cn.xiaomimimo.com/v1` 端点 - 按量付费密钥使用 `https://api.xiaomimimo.com/v1` 端点 - media-proxy 会自动根据配置选择正确的端点，技能无需区分