IDEAS CONNECT PROJECTS
从一个标签出发，打开一份值得研究的档案。
以下内容已由 AI 根据历史资料整理，供本地测试，未经人工复核。
小米自研的 Agent 基础模型，面向“完成任务”而非“回答问题”设计
Xiaomi MiMo（Mind in Motion）是小米集团自研的大语言模型产品线，面向 Agent 时代设计，覆盖文本生成、全模态理解、语音合成三大能力域。它被定位为一套完整的智能体基础模型体系，设计目标是“完成任务”而非仅仅是“回答问题”。MiMo 解决的核心问题是让 AI 从“能对话”进化到“能干活”，能够稳定完成近千轮工具调用的长程任务，自主诊断和恢复错误，并同时处理文本、图像、音频、视频等多种模态信息。截至 2026 年 4 月，MiMo 系列已迭代至 V2.5 版本，包含旗舰推理模型 MiMo-V2.5-Pro、全模态 Agent 模型 MiMo-V2.5、语音合成模型 MiMo-V2.5-TTS、语音识别模型 MiMo-V2.5-ASR 以及轻量快速模型 MiMo-V2-Flash。其核心架构创新包括混合注意力机制和全模态统一架构，并强调 Token 效率优化。
多语种语音生成模型，支持3秒声音克隆与流式合成
CosyVoice 是阿里巴巴达摩院 FunAudioLLM 团队开发的多语种大语音生成模型，提供推理、训练和部署的全栈能力。其核心能力包括仅需 3 秒参考音频即可实现零样本声音克隆，覆盖 9 种常见语言和 18 种以上中文方言，并支持跨语种克隆。模型采用 LLM 生成语义 Token 与 Flow Matching 渲染声波的双阶段架构，CosyVoice 2.0 起支持双向流式合成，延迟低至 150ms。CosyVoice 3.0 引入多任务 Tokenizer 和可微分奖励模型后训练，训练数据扩展至 100 万小时。项目采用 Apache-2.0 许可证，支持本地部署，提供 Docker、FastAPI、gRPC、vLLM、TensorRT-LLM 等多种部署方式。
对比两款开源轻量级 TTS：Supertonic 跨平台部署，MOSS-TTS-Nano 零样本声音克隆
本文档对比两款开源轻量级 TTS 系统：Supertonic 与 MOSS-TTS-Nano。Supertonic 由 Supertone Inc. 开发，基于 ONNX Runtime 完全本地运行，约 99M 参数，支持 31 种语言，提供 11 种语言 SDK，采用 Flow Matching 与语音自编码器架构，代码 MIT 许可，模型 OpenRAIL-M。MOSS-TTS-Nano 由 MOSI.AI 和复旦大学 OpenMOSS 团队开发，仅 0.1B 参数，基于 Audio Tokenizer + LLM 纯自回归架构，支持实时流式推理，可在 4 核 CPU 上运行，支持零样本声音克隆，输出 48kHz 立体声，Apache-2.0 许可。两者均解决传统 TTS 的部署、质量、工程与生态痛点，但侧重点不同：Supertonic 适合跨平台部署与极低资源设备，MOSS-TTS-Nano 适合声音克隆与中文 TTS。文档还包含架构原理、系统架构、关键流程、应用场景、优缺点与选型建议。