MiniMax Speech 2.8 apporte la chaleur humaine aux voix IA avec des mots de remplissage naturels et un clonage haute-fidélité

MiniMax a dévoilé aujourd'hui Speech 2.8, la dernière version de son moteur de synthèse vocale. Le grand objectif ici : tuer le son plat et robotique qui hante les voix IA depuis des années. Cette mise à jour cible quatre points faibles : modéliser naturellement les mots de remplissage, cloner les timbres vocaux avec une haute fidélité, produire un audio sans bruit, et gérer plus harmonieusement la synthèse inter-langues.

Le problème du « trop parfait »

L'entreprise a pointé du doigt le problème central : les voix IA sonnent « trop parfait ». La parole humaine réelle est désordonnée. Elle est remplie de respirations, de pauses et d'hésitations, de petits signaux qui portent l'émotion et l'accentuation. Speech 2.8 modélise désormais nativement les mots de remplissage comme « euh », « hum » et « ah », en conservant leur rythme et leur timing naturels intacts.

Dans un extrait audio de démonstration partagé par MiniMax, le modèle produit un monologue conversationnel. On entend une inspiration, des pauses naturelles et des mots de remplissage d'apparence spontanée. Le script se termine par une surprise : l'orateur révèle qu'il n'est pas humain mais le modèle Speech 2.8 lui-même, exhortant les auditeurs à « prêter une attention particulière à la respiration, au ton, et même au bavardage décontracté. »

Clonage vocal en 10 secondes

Le clonage de timbre a également bénéficié d'une grande mise à niveau. Speech 2.8 n'a besoin que de 10 secondes d'audio original pour verrouiller ce que MiniMax appelle l'« empreinte vocale » d'une personne, non seulement le ton, mais aussi les schémas respiratoires, la qualité et le rythme d'élocution idiosyncrasique.

MiniMax a fourni une analyse détaillée d'un exemple de clonage. Il a mis en évidence trois caractéristiques : une « texture mature » douce avec une résonance thoracique basse fréquence et des caractéristiques nasales ; un « style respiratoire paresseux mais naturel » avec des respirations profondes et des expirations décontractées qui donnent aux phrases courtes l'impression d'une véritable interaction ; et un schéma d'élocution micro-sarcastique, comprenant un rythme lent-début-rapide-fin et une intonation descendante en fin de phrase qui exprime un scepticisme ludique.

Clarté audio de qualité studio

Le pipeline de traitement audio a été entièrement remanié pour éliminer le bruit de fond et les artefacts numériques. La sortie est désormais décrite comme « propre et transparente », comparable à un enregistrement de studio professionnel. Un clip de démonstration illustre ce point avec une narration poétique sur un matin en forêt, comprenant des sons subtils de vent et de feuilles qui se fondent parfaitement avec la voix synthétique.

Améliorations inter-langues

Speech 2.8 s'attaque à un problème persistant de la synthèse vocale multilingue : la fuite d'accent. La première correction ciblée améliore la synthèse japonaise à partir de timbres chinois, éliminant les précédents désalignements phonémiques et l'intonation non naturelle. MiniMax indique que le modèle prend désormais en charge plus de 40 langues à partir d'un seul profil vocal, avec davantage de paires de langues prévues pour optimisation dans les futures mises à jour.

Une démo bilingue chinois-japonais montre le modèle passer d'une langue à l'autre au milieu d'une phrase, tout en maintenant une qualité vocale constante et une prosodie naturelle dans les deux.

Disponibilité

Speech 2.8 est disponible dès maintenant via la plateforme ouverte MiniMax et le produit MiniMax Audio. L'entreprise place ce modèle dans sa mission plus large : « Intelligence with Everyone. »