众所周知，就在小半年以前，科技圈里发生了一件不大不小的事：小米悄咪咪地上线了它的第一个基于大语言模型（LLM）的 TTS 语音合成模型——mimotts。当时官方可是信誓旦旦地宣称，这个模型只免费开放一周体验，后续就要正式收费，全面进入 token plan 套餐模式。然而，现在看来，小米的工程师们似乎有点“出尔反尔”了。为什么我敢这么说呢？因为时至今日，他们不仅没有如期收费，反而还在继续免费开放，并且连语音克隆和语音设计这些高级功能也都是完全免费的！这就相当于，你一分钱没花，就白嫖到了一个可以自由表达细腻情绪、说话无限接近真人发音，并且支持海量方言、各种语气、语调、情绪，甚至还有各种特殊模式的顶级 TTS 语音合成模型。对于开发者和普通用户来说，这可真是赚大了，简直是天上掉馅饼的好事。

并且，除了功能强大，它还有一个极其显著的速度优势。与其他传统的 TTS 模型相比，mimotts 支持真正的流式调用。也就是说，它会以数据流的形式实时返回音频数据。当你的播放器接收到第一个数据块的时候，就可以立刻开始播放了，而不需要像传统模型那样，必须把原始的 PCM 音频数据完整捞完、拼接好以后再来播放。这种机制使得首包延迟自然就比其他的模型要低很多。如果播放器端再稍微做一点缓冲和播放优化，它作为读屏软件的语音库都勉强可以胜任了，因为对于人类听觉感知来说，这种级别的延迟已经几乎可以忽略不计，体验极其丝滑。怎么样？听到这里，是不是觉得这模型已经diǎo炸天了？

但别急，更diǎo、更硬核的功能还在后面。它不仅可以支持基于自然语言的情绪描述，还允许你在需要合成的文本前面加上一对尖括号，在尖括号里用自然语言详细描述你想要表达的具体情绪。你要知道，在如此短的时间内，模型需要在后台进行深度的语义理解、精准的情绪分析、复杂的声码器向量映射，最终才能输出带有对应情感的语音。这足以可见它的底层推理速度有多么之强悍，算力优化做得有多么极致。

说了这么多，它的调用方式其实也很简单，对开发者非常友好。首先，你需要去小米开放平台注册一个账号。如果你之前已经注册过小米账号，也可以直接使用小米账号直接快捷登录。登录成功以后，来到控制台首页，在此处点击API 密钥，先新建一个密钥，然后将其复制下来，接着再去你要调用的 TTS 引擎代码中去进行配置和调用。

具体的调用方法也很简单，详细的参数和示例可以直接参考它的 API 文档。如果你选择使用 HTTP 协议进行调用，需要先在请求头中携带你的 Authorization 头，并附上你的 API 密钥。请求体中则需要携带语速、音量、语调、发音人等详细参数信息，把这些打包成一个统一的数据包，POST 请求发送到这个 API 端点。

如果你追求极致的低延迟，选择 WebSocket 进行调用，则需要先写一个 sendmessage 函数，然后以 user 和 assistant 的消息格式发送到同样的端点。其中，user 的消息中需要携带 API 密钥、语速、音量、语调、文本以及各种附加参数。Assistant 的响应则会包含音频流和状态标记。需要特别注意的是，如果响应标记为 done，就表示音频流已经关闭，此时如果再去读取就会报错了。WebSocket 的端点和 HTTP 是一样的，只是把 chat completions 路径去除，再把 HTTPS 协议改成 WSS 协议。

这里要划个重点：Websocket 端点是流式输出端点，而 HTTPS 是非流式端点。其中，Websocket 端点最终会输出带有文件头的 WAV 音频格式；而 HTTP 端点则更加灵活，可以请求它实现不同的音频格式，例如 MP3、FLAC、OPUS 等，但相应的，它的整体速度会比 WS 慢一些。

顺便提一嘴，在小米文档中心里，你还能看到关于 token plan 的请求端点说明。它的请求端点是随用户所在区域的不同而有所不同的。例如，当你在中国境内，想调用中国境内的节点时，对应的端点就是 token-plan-CN.xiaomimimo.com/v1。而目前 Token Plan 的套餐价格显示为零X，相当于是完全免费的，在计费逻辑上和按量付费是一样的，大家尽可以放心大胆地去调用。