MiniMax Speech 2.8 aporta calidez humana a las voces de IA con muletillas nativas y clonación de alta fidelidad

MiniMax lanzó hoy Speech 2.8, la última versión de su motor de síntesis de voz. El gran objetivo aquí: eliminar el sonido plano y robótico que ha perseguido a las voces de IA durante años. Esta actualización ataca cuatro puntos débiles: modelar muletillas de forma natural, clonar timbres de voz con alta fidelidad, producir audio sin ruido y manejar la síntesis entre idiomas de manera más fluida.

El problema de 'demasiado perfecto'

La empresa señaló el problema central: las voces de IA suenan “demasiado perfectas”. El habla humana real es desordenada. Está llena de respiraciones, pausas y hesitaciones, pequeñas señales que transmiten emoción y énfasis. Speech 2.8 ahora modela muletillas como “um”, “uh” y “ah” de forma nativa, manteniendo su ritmo y sincronización naturales intactos.

En un audio de demostración que MiniMax compartió, el modelo produce un monólogo conversacional. Se escucha una inhalación, pausas naturales y muletillas que suenan espontáneas. El guion termina con un giro: el hablante revela que no es humano, sino el propio modelo Speech 2.8, instando a los oyentes a “prestar mucha atención a la respiración, el tono e incluso a las divagaciones casuales”.

Clonación de voz en 10 segundos

La clonación de timbre también recibió una gran actualización. Speech 2.8 solo necesita 10 segundos de audio original para capturar lo que MiniMax llama la “huella vocal” de una persona, no solo el tono, sino también los patrones de respiración, la calidad y el ritmo de habla idiosincrásico.

MiniMax ofreció un desglose detallado de un ejemplo de clonación. Destacó tres características: una “textura madura” suave con resonancia torácica de baja frecuencia y características nasales; un “estilo de respiración perezoso pero natural” con respiraciones profundas y exhalaciones casuales que hacen que las frases cortas se sientan como una interacción real; y un patrón de habla microsarcástico, que incluye un ritmo de inicio lento y final rápido y una entonación descendente al final de las oraciones que transmite escepticismo juguetón.

Claridad de audio de estudio

El pipeline de procesamiento de audio recibió una revisión completa para eliminar el ruido de fondo y los artefactos digitales. La salida ahora se describe como “limpia y transparente”, comparable a una grabación de un estudio profesional. Un clip de demostración ilustra el punto con una narración poética sobre una mañana en el bosque, completa con sonidos sutiles de viento y hojas que se mezclan perfectamente con la voz sintética.

Mejoras entre idiomas

Speech 2.8 aborda un dolor de cabeza persistente en la síntesis de voz multilingüe: la filtración de acento. La primera solución específica mejora la síntesis japonesa a partir de timbres chinos, eliminando la desalineación fonémica y la entonación no natural anteriores. MiniMax dice que el modelo ahora admite más de 40 idiomas desde un único perfil de voz, con más pares de idiomas programados para optimización en futuras actualizaciones.

Una demostración bilingüe chino-japonés muestra el modelo cambiando entre los dos idiomas a mitad de frase, manteniendo una calidad de voz constante y una prosodia natural en ambos.

Disponibilidad

Speech 2.8 ya está disponible a través de la plataforma abierta de MiniMax y el producto MiniMax Audio. La empresa sitúa el modelo dentro de su misión más amplia: “Inteligencia con Todos”.