前言¶

给 Agent 加语音能力时，常见的做法是自己接一套 TTS 服务：选型、配密钥、调采样率和音色参数、再处理返回音频的落盘和分发。整个过程要花不少时间，而且各家接口的参数命名和返回格式都不一样，换一个模型就要重做一遍对接。

下面介绍的 mimo-v2-5-tts，是把这些工作封装成一个 Skill，让 Agent 在需要发声时按统一方式调用。

这是什么¶

mimo-v2-5-tts 是一个基于通用 SKILL.md 格式的语音合成 Skill，出品方为 SkillHub 上的开发者用户 user_a5827f21，官方地址为 https://api.skillhub.cn/user_a5827f21/mimo-v2-5-tts。

它解决的问题是：在 Agent 里把一段文字转成语音，并在对话中返回语音结果。模型侧使用小米 MiMo V2.5 TTS 系列模型。

在 SkillHub 上，该 Skill 分类为 design-media，评分 100000，下载量 349 次（截至抓取时）。

1、文字转语音。输入文本，输出对应语音，用于发送语音消息、朗读内容等场景。

2、三种音色模式。支持预置音色、音色设计、音色克隆三种模式。预置音色可以直接使用，音色设计用于按需求构造音色，音色克隆用于基于已有声音复刻。

3、风格控制。支持自然语言控制和导演模式，可以用语气、情绪、方言的风格标签来约束合成结果。

4、唱歌。预置音色支持唱歌，即合成带有演唱特征的音频。

该 Skill 以 SKILL.md 描述文件形式分发，具体安装命令、目录结构和配置字段在已抓取的资料中没有给出，需要以官方地址页面的说明为准。

下面只说明启用时的通用方式：

1、拿到 SKILL.md 后，放入 Agent 的 skill 目录，或在对应客户端中指向该文件。
2、加载后确认 Skill 出现在可用列表中。
3、在需要语音的场景里直接发起请求，例如要求把某段文字转成语音。

不同客户端（Cursor、Codex CLI、Claude Code 等）对 skill 目录位置和加载方式的要求并不相同，资料中未逐一列出，实际使用时以客户端文档和该 Skill 页面说明为准。

下面给出几种触发场景，具体调用参数以官方 SKILL.md 为准。

1、朗读内容。把一段正文交给 Skill，得到对应语音并播放或发送。

2、语音回复。用户说“说出来”“语音回复”这类要求时，把助手要表达的内容转成语音返回。

3、指定风格。通过风格标签指定语气、情绪或方言，再合成。

4、唱歌。选择预置音色，输入歌词，得到演唱音频。

适合需要把文字内容快速变成语音、且希望在对话流程里直接完成的场景，例如助手回复语音、内容朗读、有声化输出。

需要注意三点：

1、音色克隆依赖可供克隆的原始音频，素材质量和时长会影响结果。
2、风格标签和导演模式对合成效果的约束能力有限，复杂表达可能需要多轮调整。
3、该 Skill 依赖小米 MiMo V2.5 TTS 系列模型的服务，可用性取决于模型服务本身。

mimo-v2-5-tts 的价值在于把文字到语音的链路收敛成一次 Skill 调用，省掉了自己对接 TTS 服务的工作。官方地址：https://api.skillhub.cn/user_a5827f21/mimo-v2-5-tts。