那些缺失的‘嗯’和‘啊’终于让AI语音听起来像人类了

完美语音的问题

合成语音长期以来面临一个悖论：音频越干净，听起来就越不像人类。真实的人会呼吸、停顿、磕绊，并用像“嗯”、“呃”和“啊”这样的声音填补空白。传统上，AI 模型将这些视为需要抑制的错误，从而生成虽然完美但情感平淡的语音。

MiniMax 今日宣布的 Speech 2.8 采取了相反的方法。通过原生模拟填充词而非清除它们，该公司旨在缩小机器输出与人类对话之间的差距。 openais-new-gpt-live-1-wants-to-talk-not-just-take-turns

更新的四大支柱

1. 原生非流利性建模

Speech 2.8 引入了自然语言标签，以保留口语犹豫的节奏和时机。在演示音频中，模型说：“嘿，是我。你怎么样？（吸气）昨天的发布日确实把我累坏了，你知道吗？那种不停歇的感觉。（正常呼吸）但我现在活着，准备开始下一块砖。” 脚本随后揭示说话者正是AI本身，这一设计旨在突出模型模仿人类呼吸和对话节奏的逼真程度。

这之所以重要，是因为心理语言学研究表明，停顿和填充词并非噪音，而是信号。它们表示思考、强调、不确定或联系。去除它们会剥离语音的情感质地。 the-ai-agent-that-remembers-you-why-vitabench-20-reveals-a-chasm-between-good-chatbots-and-good-collaborators

2. 10秒语音克隆

语音克隆并非新鲜事，但 MiniMax 声称 Speech 2.8 不仅捕捉音色，还捕捉说话风格，包括特有的呼吸声、声带摩擦和节奏。该公司表示该系统可以复制说话者的“灵魂”，并列举了其复现低频胸腔共鸣、鼻音特质，甚至说话者拉长某些音节时的微妙讽刺感的例子。

克隆所需门槛仅为10秒参考音频，这一足够低的门槛使该功能可用于实时应用。

3. 录音室级音频

升级后的音频处理管线去除了背景噪音和数字伪影。根据 MiniMax 的说法，结果“就像说话者坐在你面前，在录音室里录制一样。”

4. 跨语言准确性

Speech 2.8 解决了多语言合成中的常见问题：口音干扰。在一个中文到日语的例子中，模型在句子中间切换普通话和日语，而不会出现语音错位或不自然的音高变化。MiniMax 表示随着时间的推移，更多的语言对将得到优化。

市场背景

语音 AI 领域已经变得越来越拥挤。ElevenLabs 在真实感和速度方面领先，而 OpenAI 的 Advanced Voice Mode 驱动着 ChatGPT 的对话界面。像 Bark 和 XTTS 这样的开源模型提供了灵活性，但在一致性上落后。

MiniMax 在原生非流利性上的押注是一条独特的策略。大多数竞争对手将填充声音视为需要最小化的噪音。Speech 2.8 明确将其作为设计特性来拥抱。如果大规模执行，这可能在情感真实性至关重要的应用中（如客服、有声书、虚拟助手和互动故事讲述）给予 MiniMax 优势。 openais-bet-on-shared-agents-is-the-quietest-shift-in-enterprise-ai-this-year

然而，同样的技术引发了熟悉的伦理问题。带有非流利性的高保真语音克隆可能使合成语音与真实语音难以区分，增加了冒充和欺诈的风险。MiniMax 在此次公告中未详述反滥用措施。 navigating-the-edge-new-framework-promises-safer-ai-deployment-in-critical-systems

可用性

Speech 2.8 现已通过 MiniMax 开放平台和 MiniMax Audio API 提供。该公司表示它支持从单个语音档案出发使用超过40种语言，后续将有更多跨语言优化。