Xiaomi MiMo TTS

SKILL.md

---
name: xiaomi-mimo-tts
description: |
  使用小米 MiMo TTS (mimo-v2-tts) 生成语音。
  支持多种音色、风格控制、情感标签和方言。
  需要 MIMO_API_KEY。
---

# Xiaoma MiMo TTS

## 📁 目录结构

```
scripts/
├── mimo-tts.sh           # 基础版本统一入口
├── mimo-tts-smart.sh     # 智能版本统一入口
├── base/                 # 基础版本实现
│   ├── mimo-tts.sh       # Shell 基础版
│   ├── mimo_tts.js       # NodeJS 基础版
│   └── mimo_tts.py       # Python 基础版
├── smart/                # 智能版本实现
│   ├── mimo_tts_smart.js    # NodeJS 智能版
│   ├── mimo_tts_smart.py    # Python 智能版
│   └── mimo_tts_smart.sh    # Shell 智能版
├── utils/                # 工具脚本
│   └── test.sh           # 测试脚本
└── examples/             # 示例脚本
    └── demo.sh           # 演示脚本
```

## ✨ 核心能力

**根据对话场景，智能选择最合适的语音风格！**

作为 Agent，你应该主动理解对话内容，选择合适的：
- **情感**：开心、悲伤、紧张、愤怒、惊讶、温柔...
- **方言**：东北话、四川话、台湾腔、粤语...
- **效果**：悄悄话、夹子音、唱歌...
- **语速**：快、慢、正常

## 使用方式

### 基础用法
```bash
./scripts/mimo-tts.sh "文本" [输出文件]
```

### 带风格标签
```bash
# 在文本前加 <style> 标签
"<style>开心</style>今天真是太棒了！"
"<style>东北话</style>老铁，咋整啊？"
"<style>悄悄话</style>这是秘密哦..."
```

### 可用风格

| 类型 | 示例 |
|-----|------|
| 情感 | 开心、悲伤、紧张、愤怒、惊讶、温柔 |
| 方言 | 东北话、四川话、台湾腔、粤语、河南话 |
| 效果 | 悄悄话、夹子音、唱歌 |
| 语速 | 变快、变慢 |

### 情感标签（细粒度控制）

在文本中使用 `()` 添加情感：
```
"（紧张，深呼吸）呼……冷静，冷静"
"（咳嗽）咳咳，不好意思"
"（沉默片刻）……然后呢？"
```

## Agent 职责

**你应该主动判断对话场景，选择合适的风格！**

### 判断原则

1. **默认使用普通话**，除非用户明显使用方言或有特别要求
2. **根据内容选择情感**：
   - 好消息 → 开心
   - 坏消息/安慰 → 温柔、悲伤
   - 紧急情况 → 紧张、急促
   - 正式通知 → 严肃
3. **根据场景选择效果**：
   - 私密内容 → 悄悄话
   - 朗读诗词 → 温柔、慢
   - 讲故事 → 根据角色变化

### 示例

用户说："给我读首李白的诗"
→ 判断：诗词应温柔、舒缓
→ 生成：`"<style>温柔</style>床前明月光..."`

用户说："用东北话给我讲个笑话"
→ 判断：明确要求方言
→ 生成：`"<style>东北话</style>那个啥..."`

用户说："宝宝晚安"
→ 判断：亲密、温柔场景
→ 生成：`"<style>温柔</style>晚安，好梦哦～"`

## 可用语音

| 语音 | 参数 |
|-----|------|
| 默认 | `mimo_default` |
| 中文女声 | `default_zh` |
| 英文女声 | `default_eh` |

## 智能模式（说明与使用建议）

本项目提供“智能模式”（位于 scripts/mimo-tts-smart.sh 与 scripts/smart/ 下），它使用轻量的启发式与关键词检测来自动为文本选择合适的风格、方言与情感。该模式设计用于快速试验与交互式体验，而非对每种语境都保证高精度。

建议与行为：
- 默认不在自动化流水线中启用智能模式。将其视为可选的便捷工具，需由 agent 或用户显式调用。
- 若对输出准确性有较高要求，请在输入文本最前面使用 `<style>...</style>` 明确指定风格与方言。
- 智能模式适合快速原型、演示与人机协作场景；不适合替代人工细致调整或用于对准确性敏感的生产流程。

调用示例：

```bash
# 显式启用智能模式（agent 或用户调用）
./scripts/mimo-tts-smart.sh "宝宝晚安，爱你哦～" output.ogg

# 若要手动覆盖智能判断，直接在文本前使用 style 标签
./scripts/mimo-tts.sh "<style>温柔</style>床前明月光..." out.ogg
```

## 使用方式

### 基础用法
```bash
./scripts/mimo-tts.sh "文本" [输出文件]
```

### 带风格标签
```bash
# 在文本前加 <style> 标签
"<style>开心</style>今天真是太棒了！"
"<style>东北话</style>老铁，咋整啊？"
"<style>悄悄话</style>这是秘密哦..."
```

### 可用风格

| 类型 | 示例 |
|-----|------|
| 情感 | 开心、悲伤、紧张、愤怒、惊讶、温柔 |
| 方言 | 东北话、四川话、台湾腔、粤语、河南话 |
| 效果 | 悄悄话、夹子音、唱歌 |
| 语速 | 变快、变慢 |

### 情感标签（细粒度控制）

在文本中使用 `()` 添加情感：
```
"（紧张，深呼吸）呼……冷静，冷静"
"（咳嗽）咳咳，不好意思"
"（沉默片刻）……然后呢？"
```

## Agent 职责

**你应该主动判断对话场景，选择合适的风格！**

### 判断原则

1. **默认使用普通话**，除非用户明显使用方言或有特别要求
2. **根据内容选择情感**：
   - 好消息 → 开心
   - 坏消息/安慰 → 温柔、悲伤
   - 紧急情况 → 紧张、急促
   - 正式通知 → 严肃
3. **根据场景选择效果**：
   - 私密内容 → 悄悄话
   - 朗读诗词 → 温柔、慢
   - 讲故事 → 根据角色变化

### 示例

用户说："给我读首李白的诗"
→ 判断：诗词应温柔、舒缓
→ 生成：`"<style>温柔</style>床前明月光..."`

用户说："用东北话给我讲个笑话"
→ 判断：明确要求方言
→ 生成：`"<style>东北话</style>那个啥..."`

用户说："宝宝晚安"
→ 判断：亲密、温柔场景
→ 生成：`"<style>温柔</style>晚安，好梦哦～"`

## 可用语音

| 语音 | 参数 |
|-----|------|
| 默认 | `mimo_default` |
| 中文女声 | `default_zh` |
| 英文女声 | `default_eh` |

## 🤖 智能版本 (多语言支持)

我们提供了多种智能脚本实现，可以自动分析文本内容并选择合适的风格：

### 🎯 实现支持

| 版本 | 文件 | 特点 |
|------|------|------|
| **统一入口** | `mimo-tts-smart.sh` | 自动选择最佳实现，优先NodeJS→Python→Shell |
| **NodeJS 版** | `mimo_tts_smart.js` | 功能最完善，智能分析最准确 |
| **Python 版** | `mimo_tts_smart.py` | 功能完整，备用方案 |
| **Shell 版** | `mimo_tts_smart.sh` | 简化版，兼容性好 |

### 功能特点

**自动分析**：
- 检测情感关键词（开心、悲伤、紧张、愤怒、惊讶、温柔）
- 识别方言特征（东北话、四川话、台湾腔、粤语）
- 判断特殊效果（悄悄话、夹子音、唱歌）
- 检测诗词格式（多行短句自动识别）

#