MiniMax Speech 2.8：原生语气词与高保真克隆，为AI语音注入人性温度

MiniMax 今日发布了 Speech 2.8，这是其语音合成引擎的最新版本。其主要目标：消除多年来困扰AI语音的平淡、机械感。此次更新针对四个薄弱环节：自然建模语气词、高保真音色克隆、生成无噪声音频，以及更流畅地处理跨语言合成。

“过于完美”的问题

该公司指出了核心问题：AI 语音听起来“过于完美”。真实的人类语音是混乱的，充满了呼吸、停顿和犹豫，这些细微信号承载着情感和强调。Speech 2.8 现在原生模拟如“嗯”“呃”“啊”等语气词，保持其自然的时间和节奏不变。

在 MiniMax 分享的一段演示音频中，该模型生成了一段对话式独白。你可以听到吸气声、自然的停顿以及听起来很自然的填充词。脚本末尾有一个转折：说话者透露自己并非人类，而是 Speech 2.8 模型本身，并敦促听众“密切关注呼吸、语调，甚至随意的唠叨”。

10秒语音克隆

音色克隆也获得了重大升级。Speech 2.8 仅需10秒的原始音频即可锁定 MiniMax 所称的人的“语音指纹”，不仅是音调，还有呼吸模式、音质和个人特有的说话节奏。

MiniMax 对一个克隆示例进行了详细分析。它强调了三个特征：平滑的“成熟质感”，带有低频胸腔共鸣和鼻音特征；“慵懒而自然的呼吸风格”，包括深呼吸和随意的呼气，让短句感觉像真实的互动；以及微妙的讽刺性说话模式，包括慢启动快结束的节奏和句末上扬的语调，传达出戏谑的怀疑态度。

录音室级音频清晰度

音频处理流程经过了彻底改造，以清除背景噪声和数字伪影。输出现在被描述为“干净透明”，可媲美专业录音室的录音。一段演示片段通过关于森林早晨的诗意旁白阐明了这一点，其中微弱的风声和树叶声与合成语音无缝融合。

跨语言改进

Speech 2.8 解决了多语言语音合成中一个长期存在的难题：口音泄露。首个针对性修复改进了基于中文音色的日语合成，消除了之前的音素错位和不自然的语调。MiniMax 表示，该模型现在支持从一个语音配置文件生成40多种语言，未来更新中计划优化更多语言对。

一段中英双语演示显示了模型在句子中间切换两种语言，在两种语言中保持一致的语音质量和自然的韵律。

可用性

Speech 2.8 现已通过 MiniMax 开放平台和 MiniMax Audio 产品上线。该公司将该模型定位为其更广泛的使命：“智能与每个人同在”。