感谢反馈，这个问题我研究了一下，说一下原因和目前的缓解方案。

原因

MiMo 的语音克隆（voiceclone）是**零样本（zero-shot）**合成——每次请求都把参考音频重新送进去，模型从零生成，没有服务端的 speaker embedding 或会话状态。所以每一段/每一句都是一次独立采样，句与句之间的韵律、情绪、气息天然会有差异。

这不是 App 在每句切换了不同的音色 ID 或风格参数，而是模型本身每次采样的随机性导致的。同类 zero-shot 克隆模型（XTTS、CosyVoice 等）都有类似的跨句不一致问题。

MiMo TTS 官方支持 temperature 参数（默认 0.6，范围 0–1.5），值越高采样越随机，跨句漂移越明显。

实测结果

我用 API 做了一组对照测试（同一文本、同一音色、多次合成）：

另外测了 seed 参数——请求不报错但完全锁不住结果，对 TTS 基本无效。

结论：降低 temperature 有一定帮助，但不能做到句句完全一致。 这是模型侧的固有限制，不是 App 端能根治的。

v2026.07.16.1 新增了采样温度设置，在设置页面可以调节（0.0–1.5）：

这个问题的根源在小米那边的模型设计——零样本克隆 + 无确定性保证 + 每段独立请求 = 必然有跨句差异。我们能做的是压方差、减边界感，不能变成传统固定声码器那种稳定性。如果小米后续开放 speaker ID 持久化或确定性解码，才有可能从根本上解决。

暂时不关这个 issue，看看有没有其他人有更好的办法。

下载新版本后可以试试把温度调到 0.2 左右，看看效果是否有改善。