多模态对话。messages 兼容 OpenAI 格式,可混入图像/视频。

图像理解。images 数组每项可选 url/path/base64。

视频理解。video 参数支持 4 种形式自动识别:(a) 直链 mp4 URL;(b) B 站/YouTube/抖音/小红书等视频站链接(yt-dlp 自动下载);(c) 本地路径(绝对/相对/~);(d) data:video/mp4;base64,... DataURL。

文本合成语音。voice 选预置(mimo_default/冰糖/茉莉/苏打/白桦/Mia/Chloe/Milo/Dean)或自建 voice_id;instructions 可传自然语言风格指令(v2.5 导演模式:角色/场景/指导);文本里也可嵌 (风格)/[音频标签]/(唱歌) 标签。返回本地 wav 路径。

上传参考音频创建克隆音色。立即跑一次试听验证。返回 voice_id 后,在 mimo.tts 里直接传 voice_id=<返回值> 即可用克隆音色朗读任意文本。

文字描述生成自定义音色 + 试听。MiMo voicedesign 是 stateless 的,本工具会把 prompt 入库以便复用,但每次朗读会基于 prompt 重新合成。

列出本地音色库(默认 + 克隆 + 设计)。

从本地音色库删除。

语音转写(F7)。传 audio_path(本地文件)或 audio_url(直链)之一,language 可选 auto / zh / en。默认走 mimo-v2.5-asr,返回纯文本。

健康检查:配置 / 网络 / 鉴权 / ASR 云端可用性。

本地 audit_log 聚合的最近用量。