mirror of
https://github.com/zhayujie/chatgpt-on-wechat.git
synced 2026-06-02 00:57:41 +08:00
136 lines
5.7 KiB
Plaintext
136 lines
5.7 KiB
Plaintext
---
|
||
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>
|