Documentation Index
Fetch the complete documentation index at: https://docs.cowagent.ai/llms.txt
Use this file to discover all available pages before exploring further.
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。
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。
テキスト対話
{
"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 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）：
{
"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：
{
"tools": {
"vision": {
"provider": "mimo",
"model": "mimo-v2.5-pro"
}
}
}
音声合成
{
"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 |
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：
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 |
(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。
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。
