待验证80% 置信事实时间未知

MiMo VL TTS在预训练阶段采用了上亿小时的语音数据，支持同一句话内完成语气转折和情感递变

1

来源数

80%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

AI日报3月20日：Gemini CLI限制免费用户，小米MiMo三模型齐发

bilibiliinfinite灵感港

涉及实体

MiMo VL TTSmodel 小米company

相关事实

待验证小米正式发布自研语音合成大模型MIMO VR-PTS，基于自研Audio Tokenizer和多码本语音文本联合建模架构，经过上亿小时语音数据预训练72% 相似待验证现代神经网络VAD如Silero VAD基于LSTM在数千小时多语言多噪声环境音频上训练70% 相似待验证传统TTS系统需要录制数小时的语音数据来训练特定说话人的模型70% 相似待验证当前旗舰级语音产品普遍采用大规模预训练语言模型与专用语音解码器联合训练的方案68% 相似待验证LibriSpeech、CommonVoice 等主流语音识别训练集大多来自朗读录音或受控环境，信噪比高、语速均匀、句子完整68% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/22824

API

curl https://kongchang.com/api/v1/knowledge/claims/22824

MCP

get_claim(id=22824)