MiniMax Audio

MiniMax 把语音合成和音乐生成放在同一个工作台里，底层的 Speech-02 系列分两档：Turbo 走速度和成本，适合实时播报、对话这类要马上出声的场合；HD 把音质放在前面，用于有声书、配音这样一次成型不返工的内容。Speech-02-HD 在 Artificial Analysis 的语音合成竞技场榜上位列第一。 声音克隆是这套模型被用得最多的地方。上传一段十秒左右的干净录音，格式支持 MP3、M4A、WAV，模型记下说话人的音色、节奏和口音，之后就能用这个声音去念任意文本。公开文档给出的输入区间是 10 秒到 5 分钟、文件 20MB 以内。 语气这一层，除了 happy、sad、angry、fearful、disgusted、surprised 这些可手动指定的情绪标签，也可以交给模型按文本内容自动判断。音高、语速、音量、采样率都留了参数，多说话人对话和低延迟流式输出在 API 里同样提供。 语言覆盖 30 多种，中文、英语、日语、韩语之外还有西班牙语、法语、德语、俄语等，混排文本里的中英切换表现比较稳，也能通过 language_boost 指定语种做加强。计费按字符量走，克隆单个声音另外计价，AWS Marketplace 上另有按 RPM 分档的企业订阅。