---
title: Xiaomi MiMo
description: Xiaomi MiMo モデル設定（テキスト対話 + 画像理解 + 音声合成）
---

Xiaomi MiMo はネイティブ全モーダル大規模言語モデルです。1 つの `mimo_api_key` でテキスト対話、画像理解、音声合成を同時に有効化できます。

<Tip>
  Web コンソールの「モデル管理」ページから、以下のすべての機能をワンストップで設定でき、設定ファイルを手動で編集する必要はありません。
</Tip>

## テキスト対話

```json
{
  "model": "mimo-v2.5-pro",
  "mimo_api_key": "YOUR_API_KEY",
  "mimo_api_base": "https://api.xiaomimimo.com/v1"
}
```

| パラメータ | 説明 |
| --- | --- |
| `model` | 推奨は `mimo-v2.5-pro`。`mimo-v2.5` も使用可能 |
| `mimo_api_key` | [MiMo Open Platform](https://platform.xiaomimimo.com/console/api-keys) で作成 |
| `mimo_api_base` | 任意。デフォルトは `https://api.xiaomimimo.com/v1` |

### モデル選択

| モデル | ユースケース |
| --- | --- |
| `mimo-v2.5-pro` | フラッグシップ。ネイティブ全モーダル + Agent 能力、最大 100 万トークンのコンテキスト |
| `mimo-v2.5` | 汎用版。ネイティブ全モーダル（テキスト / 画像 / 動画 / 音声） |

## 思考モード

MiMo V2.5 シリーズはデフォルトで「思考モード」が有効です。最終回答の前に `reasoning_content`（思考過程）を出力することで、複雑なタスクのパフォーマンスを高めます。

表示の有無はグローバル設定 `enable_thinking` で切り替え可能です（Web コンソールの設定ページからも変更できます）：

```json
{
  "enable_thinking": true
}
```

## 画像理解

`mimo_api_key` を設定すると、Agent の Vision ツールは自動的に MiMo のビジョンモデルを利用します：

- メインモデル自体がマルチモーダル（`mimo-v2.5-pro` / `mimo-v2.5`）の場合は、画像はメインモデルが直接処理し、追加設定は不要です。
- メインモデルが他社製の場合、Vision ツールは順序に従い `mimo-v2.5-pro` にフォールバックします。

特定の Vision モデルを強制したい場合は、設定ファイルで明示的に指定してください：

```json
{
  "tools": {
    "vision": {
      "provider": "mimo",
      "model": "mimo-v2.5-pro"
    }
  }
}
```

## 音声合成

```json
{
  "text_to_voice": "mimo",
  "text_to_voice_model": "mimo-v2.5-tts",
  "tts_voice_id": "冰糖"
}
```

| パラメータ | 説明 |
| --- | --- |
| `text_to_voice_model` | 現在は `mimo-v2.5-tts` のみ対応（プリセット音色 + 歌唱モード） |
| `tts_voice_id` | プリセット音色名（中国語の音色は中国語名がそのまま ID） |

### プリセット音色

| 音色 ID | 説明 |
| --- | --- |
| `冰糖` | 中国語 · 女声（デフォルト） |
| `茉莉` | 中国語 · 女声 |
| `苏打` | 中国語 · 男声 |
| `白桦` | 中国語 · 男声 |
| `Mia` | 英語 · 女声 |
| `Chloe` | 英語 · 女声 |
| `Milo` | 英語 · 男声 |
| `Dean` | 英語 · 男声 |

Web コンソールの「モデル管理 → 音声合成」のドロップダウンから視覚的に選択することもできます。

### スタイル制御

MiMo TTS は合成テキスト内に **音声タグ** を埋め込むことで、感情、語調、方言、キャラクター、さらには歌唱まで制御できます。タグは **最終的に音声合成されるテキスト（つまり Agent の返信内容）** に含める必要があり、全体スタイルのタグは先頭に置きます：

```
(スタイル)合成するテキスト
```

半角 `()`、全角 `（）`、`[]` の 3 種類の括弧に対応。スタイル記述は中国語・英語のどちらでも OK で、最も的確に表現できる言語を選んでください。代表的なスタイル例：

| 種類 | サンプルタグ |
| --- | --- |
| 基本感情 | `happy` `sad` `angry` `fear` `surprised` `excited` `aggrieved` `calm` `indifferent` |
| 複合感情 | `wistful` `relieved` `helpless` `guilty` `at ease` `uneasy` `touched` |
| 全体トーン | `gentle` `aloof` `lively` `serious` `languid` `playful` `deep` `sharp` `cutting` |
| 声質 | `magnetic` `mellow` `bright` `ethereal` `childlike` `aged` `sweet` `husky` |
| キャラクター調 | `squeaky` `mature lady` `young boy` `uncle` `Taiwanese accent` |
| 方言 | `Northeastern` `Sichuan` `Henan` `Cantonese` |
| ロールプレイ | `Sun Wukong` `Lin Daiyu` |
| 歌唱 | `sing` / `singing` |

例：

- `(magnetic)夜が深まり、街はまだ呼吸している。`
- `(gentle)深呼吸して。きっと大丈夫。`
- `(serious)これがシステム再起動前の最後の警告です。`
- `(singing)Twinkle, twinkle, little star, how I wonder what you are…`

テキストの任意の位置に細かい音声タグを挿入して、呼吸、笑い声、間などを制御することもできます。例：

```
(nervous, deep breath) ふぅ……落ち着いて、落ち着いて。(faster pace) 自己紹介は五十回練習したから大丈夫。
```

タグの完全な一覧は [MiMo 音声合成ドキュメント](https://platform.xiaomimimo.com/docs/zh-CN/usage-guide/speech-synthesis-v2.5) を参照してください。

<Tip>
  CowAgent は TTS 呼び出し時、Agent の返信原文（`(...)` タグを含む）をそのまま MiMo に送信します。ペルソナ / システムプロンプトで「返信の冒頭に `(スタイル)` タグを付けて口調を指定する」よう指示すれば、IM チャネル（WeChat / Feishu / DingTalk / WeCom）の音声返信に感情・方言・歌唱などの効果を付与できます。
</Tip>