# 小米放出两个语音生成框架，想让普通人也能当“声音导演”

> 原标题：小米AI语音新框架：人人都能当声音导演

- 来源：量子位 · 公众号
- 发布时间：2026-04-08T04:00:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/6267
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247881487&idx=3&sn=bdd0e730b071de3cf8029a075d9d1658

## 摘要

小米大模型应用团队公开了 Any2Speech 和 Midasheng-audio-generate 两个框架。Any2Speech 一次推理能生成最长约 10 分钟的语音，Midasheng 则能根据一段文字描述直接合成包含人声、音乐和环境音的混合音频。

## 推荐理由

小米大模型应用团队公开 Any2Speech 与 Midasheng 两个语音框架，前者单次推理可生成约 10 分钟语音，后者能按文字描述合成人声、音乐与环境音的混合音频。

## 锐评

10 分钟单次推理这个数挺唬人，语音生成最烦的就是长音频断片、音色漂移，能一口气跑十分钟说明架构上做了些东西。但小米没给 benchmark，也没说开不开源、能不能商用，这两个框架现在只能算技术展示。许可条款决定它有没有人用，不开源不开商用，做产品的看一眼就走了。Midasheng 那句提示词出人声加音乐加环境音，方向对，可没有对比数据，我暂时当 demo 看。
