MiniMax Speech 2.8 Turbo ist die bessere erste Wahl für Erzählungen und Dialoge mit Erwachsenen: $0.072 pro 1.000 Zeichen, gegenüber $0.12 für HD. Beide teilen sich dieselben 472 Systemstimmen und dieselben Vortragsregler. Auf Grundlage unserer Tests vom September 2026 lesen beide explizite Erwachsenen-Skripte Wort für Wort und führen Klangmarkierungen wie (breath) und (gasps) aus, statt sie vorzulesen.
Der Qualitätsunterschied ist gering. In der Blind-Hörarena von Artificial Analysis erreicht HD etwa 1173 Elo und Turbo etwa 1153, und ihre Konfidenzintervalle überlappen. HD kostet zwei Drittel mehr für diesen Vorsprung, starten Sie also mit Turbo und weichen Sie erst dann für eine einzelne Zeile zu HD aus, wenn Sie ein konkretes Problem hören, etwa eine steife Formulierung oder einen unbeholfenen emotionalen Wechsel.
Preis- und Funktionsvergleich
Die Abrechnung erfolgt pro Zeichen, einschließlich Leerzeichen, Satzzeichen, Zeilenumbrüchen und eingebetteter Klangmarkierungen, ohne Aufrundung auf 1.000: Eine Zeile mit 115 Zeichen kostet $0.0083 auf Turbo und $0.0138 auf HD.
| Detail | Speech 2.8 Turbo | Speech 2.8 HD |
|---|---|---|
| Pro 1.000 Zeichen | $0.072 | $0.12 |
| Maximale Anfrage: 5.000 Zeichen, etwa 6 bis 7 Minuten Sprache | $0.36 | $0.60 |
| Zehnminütige Erzählung, etwa 7.750 Zeichen in 2 Anfragen | $0.56 | $0.93 |
| Systemstimmen | 472 | 472 |
| Emotion, Tempo, Tonhöhe, Lautstärke, Aussprachewörterbuch | Verfügbar | Verfügbar |
| Standardaudio | Mono MP3, 32 kHz | Mono MP3, 32 kHz |
| Weitere Formate | WAV, FLAC, rohes PCM | WAV, FLAC, rohes PCM |
Die Turbo-Aufgabe und die HD-Aufgabe sind asynchrone Generatoren mit je einer Stimme, daher passt keine davon zu einem Live-Sprachagenten. Stimmenklon, den die eigene API von MiniMax anbietet, ist auf diesen Routen nicht verfügbar, ebenso wenig ein Multi-Sprecher-Array: Zwei Figuren brauchen zwei Anfragen und einen Audio-Schnitt. Generiertes Audio wird 14 Tage aufbewahrt, laden Sie also herunter, was Sie verwenden wollen.
Erwachsenen-Skripte und Klangmarkierungen
Beide Versionen lesen explizites Erwachsenen-Vokabular so, wie es geschrieben steht, in direkten Passagen und in Hörbuch-Erzählungen, ohne etwas zu überspringen oder abzuschneiden. Passagen voller Hinweise wie (breath), (pant), (groans) und (gasps) kamen mit genau diesen Klängen zurück, nicht als Wörter vorgelesen.
Die Dokumentation von MiniMax listet 19 Tags für Speech 2.8: (laughs), (chuckle), (coughs), (clear-throat), (groans), (breath), (pant), (inhale), (exhale), (gasps), (sniffs), (sighs), (snorts), (burps), (lip-smacking), (humming), (hissing), (emm) und (sneezes). Schreiben Sie den Tag in text an die Stelle, an der der Klang entstehen soll. Das Skript für das Turbo-Beispiel provokanter Rivale beginnt mit (laughs); das Skript der HD-Sprachnachricht am späten Abend enthält (sighs). Spielen Sie die Beispiele ab, um die Wirkung dieser Hinweise zu prüfen.
Ein nützlicher erster Eingabetext für eine Figur
Für eine erfundene erwachsene Person, die eine neckische Sprachnachricht schickt, fügen Sie dies als input einer Turbo-Aufgabe ein (das Playground auf der Modellseite verwendet dieselben Felder):
{
"text": "(laughs) You took your time. I saved you a seat, but you'll have to tell me what kept you. Stay for one more drink?",
"voice_id": "Calm_Woman",
"language": "en",
"emotion": "neutral",
"speed": 1,
"pitch": 0,
"volume": 1,
"output_format": "mp3"
}Das kostet $0.0083 auf Turbo und $0.0138 auf HD. MiniMax hat kein freies instructions-Feld, und die API lehnt es ab; die Richtung kommt aus der Stimme, dem Wert für emotion und den numerischen Reglern. Calm_Woman ist die Standardstimme, Deep_Voice_Man ist eine weitere System-ID für eine tiefere Männerstimme. Wählen Sie ein anderes Preset, wenn Sie eine andere Klangfarbe brauchen; die Tonhöhe um eine Oktave zu senken ersetzt keine passende Besetzung.
Um HD zu vergleichen, behalten Sie genau diese Eingabe bei und wechseln Sie nur das Modell. Wenn Sie zusätzlich das Skript oder die Stimme ändern, können Sie nicht mehr sagen, was der Modellwechsel bewirkt hat.
Die Regler, die eine Darbietung verändern
| Regler | Bereich oder Optionen | Sinnvolle erste Entscheidung |
|---|---|---|
emotion | neutral, happy, sad, angry, fearful, disgusted, surprised | Starten Sie neutral; happy kann eine neckische Zeile lebhafter machen |
speed | 0.5 bis 2; normal ist 1 | Probieren Sie 0.9, wenn die Zeile gehetzt klingt |
pitch | -12 bis +12 Halbtöne; normal ist 0 | Bleiben Sie bei 0, bis Sie die Stimme gewählt haben |
volume | 0.1 bis 10; normal ist 1 | Bleiben Sie bei 1; setzen Sie die endgültigen Pegel in Ihrem Editor |
language | standardmäßig auto; 40 Sprachen, darunter en, es, ja, ko | Setzen Sie ihn für kurze oder gemischtsprachige Skripte; er übersetzt den Text nicht |
english_normalization | Boolean; Standard ist false | Schalten Sie ihn für Zahlen und Daten in englischen Texten |
emotion gilt für die gesamte Anfrage. Wenn eine Figur von neckisch zu ängstlich wechselt, erzeugen Sie diese Passagen einzeln mit derselben voice_id und unterschiedlichen Emotionswerten und fügen sie dann zusammen.
Für einen Namen, den die Stimme immer wieder falsch liest, fügen Sie einen Eintrag im Aussprachewörterbuch hinzu, statt die Figur zu ändern:
{
"text": "Good evening, Celine. I was hoping you'd call.",
"voice_id": "Calm_Woman",
"language": "en",
"pronunciation_dict": [
{"alias": "Celine", "pronunciation": "seh LEEN"}
]
}Das Wörterbuch nimmt bis zu 100 Einträge auf. alias ist die Schreibweise in Ihrem Skript und darf keinen Schrägstrich enthalten. pronunciation kann einfach neu geschriebene Wörter oder IPA in Klammern sein, etwa (rɪˈzjuːm). Der Preis ändert sich dadurch nicht.
Das passende Audioformat wählen
Nutzen Sie MP3 für eine Webvorschau und WAV oder FLAC für die weitere Bearbeitung. Die MP3-Bitrate beträgt 32.000, 64.000, 128.000 (Standard) oder 256.000 Bit pro Sekunde und gilt nur für MP3. Die Abtastrate beträgt 8.000, 16.000, 22.050, 24.000, 32.000 (Standard) oder 44.100 Hz; wählen Sie 44.100 nur, wenn Ihr Bearbeitungsprojekt es braucht, denn eine höhere Rate behebt keine falsch ausgesprochene Zeile.
Rohes PCM ist 16-Bit-Little-Endian-Audio ohne Header, das Browser nicht abspielen können. Wählen Sie WAV, es sei denn, Ihre Software kennt Abtastrate und Kanalzahl bereits. audio_channels akzeptiert mono oder stereo; Stereo legt verschiedene Figuren nicht auf getrennte Spuren.
Beheben Sie das Problem, das Sie wirklich hören
| Problem | Erste Abhilfe |
|---|---|
| Eine Produktionsnotiz wird vorgelesen | Entfernen Sie sie aus text; nur die oben gelisteten Tags gehören eingebettet |
| Ein Figurenname klingt falsch | Fügen Sie einen Eintrag im Aussprachewörterbuch hinzu |
| Eine neckische Zeile klingt wütend | Setzen Sie emotion auf neutral oder happy; lassen Sie Wörter und Stimme unverändert |
| Zwei Figuren teilen sich eine Stimme | Erzeugen Sie jeden Zug mit eigener voice_id; Sprecherlabels in einem Textfeld wechseln die Stimme nicht |
| Ein Clip ist zu gehetzt | Probieren Sie Tempo 0.9 oder kürzen Sie einen überladenen Satz |
| Ein Atemzug sitzt falsch | Verschieben oder entfernen Sie den Tag, statt das Modell zu wechseln |
| Audio klingt nach starker Lautstärkeanhebung verzerrt | Setzen Sie die Lautstärke auf 1 zurück und passen Sie die fertige Datei in Ihrem Editor an |
Für ein Projekt mit zehn Szenen und 2.000 Zeichen pro Szene kostet ein Turbo-Durchlauf $1.44 und ein HD-Durchlauf $2.40. Eine einzelne Zeile mit 200 Zeichen neu zu erzeugen kostet $0.0144 auf Turbo oder $0.024 auf HD, eine einzelne Zeile zu reparieren ist also weit billiger als ein zweiter kompletter Durchlauf.
Starten Sie mit Turbo, lösen Sie Vortragsprobleme mit den Reglern oben und schicken Sie nur die Zeilen, die noch falsch klingen, an HD. Wenn Sie eine Stimmreferenz oder ein anderes Preismodell brauchen, sehen Sie den Vergleich der unzensierten Sprachsynthese-APIs.
