MiniMax Speech 2.8 Turbo es la mejor primera opción para narración y diálogo entre adultos: $0.072 por 1.000 caracteres, frente a $0.12 de HD. Ambos comparten las mismas 472 voces del sistema y los mismos controles de interpretación. Según nuestras pruebas de septiembre de 2026, ambos leen guiones explícitos para adultos palabra por palabra y ejecutan etiquetas de sonido como (breath) y (gasps) en lugar de pronunciarlas.
La diferencia de calidad es pequeña. En la arena de escucha a ciegas de Artificial Analysis, HD consigue unos 1173 Elo y Turbo unos 1153, y sus márgenes de confianza se superponen. HD cuesta dos tercios más por esa ventaja, así que empieza con Turbo y cambia una línea a HD solo cuando oigas un problema concreto, como una frase rígida o un giro emocional torpe.
Comparativa de precio y capacidades
La facturación es por carácter, incluidos espacios, signos de puntuación, saltos de línea y etiquetas de sonido en línea, sin redondear a 1.000: una línea de 115 caracteres cuesta $0.0083 en Turbo y $0.0138 en HD.
| Detalle | Speech 2.8 Turbo | Speech 2.8 HD |
|---|---|---|
| Por 1.000 caracteres | $0.072 | $0.12 |
| Solicitud máxima: 5.000 caracteres, unos 6 a 7 minutos de habla | $0.36 | $0.60 |
| Narración de diez minutos, unos 7.750 caracteres en 2 solicitudes | $0.56 | $0.93 |
| Voces del sistema | 472 | 472 |
| Emoción, velocidad, tono, volumen, diccionario de pronunciación | Disponible | Disponible |
| Audio predeterminado | MP3 mono, 32 kHz | MP3 mono, 32 kHz |
| Otros formatos | WAV, FLAC, PCM sin cabecera | WAV, FLAC, PCM sin cabecera |
La tarea Turbo y la tarea HD son generadores asíncronos de una sola voz, así que ninguna sirve para un agente de voz en vivo. La clonación de voz, que sí ofrece la propia API de MiniMax, no está disponible en estas rutas, y tampoco lo está una matriz de varios hablantes: dos personajes necesitan dos solicitudes y una edición de audio. El audio generado se conserva 14 días, así que descarga lo que vayas a usar.
Guiones para adultos y etiquetas de sonido
Ambas versiones leen el vocabulario adulto explícito tal como está escrito, tanto en pasajes directos como en narración estilo audiolibro, sin saltarse ni truncar nada. Los pasajes con muchas indicaciones como (breath), (pant), (groans) y (gasps) volvieron con esos sonidos ejecutados, no leídos como palabras.
La documentación de MiniMax lista 19 etiquetas para Speech 2.8: (laughs), (chuckle), (coughs), (clear-throat), (groans), (breath), (pant), (inhale), (exhale), (gasps), (sniffs), (sighs), (snorts), (burps), (lip-smacking), (humming), (hissing), (emm) y (sneezes). Escribe la etiqueta dentro de text donde deba sonar el efecto. El guion de la muestra de provocación de Turbo empieza con (laughs); el guion de la nota de voz nocturna de HD incluye (sighs). Escucha las muestras para comprobar cómo se ejecutan esas indicaciones.
Un primer texto de entrada útil
Para una persona adulta ficticia que envía un mensaje de voz juguetón, pega esto como input de una tarea Turbo (el Playground de la página del modelo usa los mismos campos):
{
"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"
}Esto cuesta $0.0083 en Turbo y $0.0138 en HD. MiniMax no tiene un campo instructions de texto libre, y la API lo rechaza; la dirección viene de la voz, del valor de emotion y de los controles numéricos. Calm_Woman es la voz predeterminada, y Deep_Voice_Man es otro identificador del sistema para una voz masculina más grave. Elige otro preajuste cuando necesites otro timbre; bajar el tono una octava no sustituye elegir una voz adecuada.
Para comparar con HD, mantén exactamente esta entrada y cambia solo el modelo. Si además cambias el guion o la voz, ya no podrás saber qué hizo el cambio de modelo.
Los controles que cambian una interpretación
| Control | Rango u opciones | Primera decisión útil |
|---|---|---|
emotion | neutral, happy, sad, angry, fearful, disgusted, surprised | Empieza en neutral; happy puede hacer más viva una línea juguetona |
speed | 0.5 a 2; normal es 1 | Prueba 0.9 si la línea va demasiado deprisa |
pitch | -12 a +12 semitonos; normal es 0 | Mantén 0 hasta que hayas elegido la voz |
volume | 0.1 a 10; normal es 1 | Mantén 1; ajusta los niveles finales en tu editor |
language | auto por defecto; 40 idiomas, incluidos en, es, ja, ko | Fíjalo para guiones cortos o de idioma mixto; no traduce el texto |
english_normalization | Booleano; por defecto false | Actívalo para números y fechas en prosa inglesa |
emotion se aplica a toda la solicitud. Si un personaje pasa de juguetón a temeroso, genera esos pasajes por separado con el mismo voice_id y valores de emoción distintos, y luego únelos.
Para un nombre que la voz sigue leyendo mal, añade una entrada al diccionario de pronunciación en lugar de cambiar al personaje:
{
"text": "Good evening, Celine. I was hoping you'd call.",
"voice_id": "Calm_Woman",
"language": "en",
"pronunciation_dict": [
{"alias": "Celine", "pronunciation": "seh LEEN"}
]
}El diccionario admite hasta 100 entradas. alias es la grafía en tu guion y no puede contener una barra. pronunciation puede ser palabras simplemente respeladas o IPA entre paréntesis, como (rɪˈzjuːm). No cambia el precio.
Elige el formato de audio adecuado
Usa MP3 para una vista previa web y WAV o FLAC para seguir editando. La tasa de bits de MP3 es 32.000, 64.000, 128.000 (por defecto) o 256.000 bits por segundo y solo se aplica a MP3. La frecuencia de muestreo es 8.000, 16.000, 22.050, 24.000, 32.000 (por defecto) o 44.100 Hz; elige 44.100 solo si tu proyecto de edición lo necesita, porque una frecuencia mayor no arregla una línea mal pronunciada.
El PCM sin cabecera es audio de 16 bits little-endian que los navegadores no pueden reproducir. Elige WAV salvo que tu software ya conozca la frecuencia de muestreo y el número de canales. audio_channels acepta mono o stereo; estéreo no pone a personajes distintos en pistas separadas.
Arregla el problema que de verdad oyes
| Problema | Primera solución |
|---|---|
| Se lee una nota de producción | Quítala de text; solo las etiquetas listadas arriba van en línea |
| Un nombre de personaje suena mal | Añade una entrada al diccionario de pronunciación |
| Una línea juguetona suena enfadada | Pon emotion en neutral o happy; deja las palabras y la voz sin cambios |
| Dos personajes comparten una voz | Genera cada turno con su propio voice_id; las etiquetas de hablante en un mismo campo de texto no cambian de voz |
| Un clip va demasiado rápido | Prueba la velocidad 0.9 o acorta una frase que carga demasiado |
| Un aliento está mal colocado | Mueve o quita esa etiqueta en lugar de cambiar el modelo |
| El audio suena distorsionado tras una subida fuerte de volumen | Devuelve el volumen a 1 y ajusta el archivo final en tu editor |
Para un proyecto de diez escenas con 2.000 caracteres por escena, una pasada por Turbo cuesta $1.44 y una pasada por HD $2.40. Regenerar una sola línea de 200 caracteres cuesta $0.0144 en Turbo o $0.024 en HD, así que arreglar una línea es mucho más barato que comprar una segunda pasada completa.
Empieza con Turbo, resuelve los problemas de interpretación con los controles de arriba y envía a HD solo las líneas que aún suenan mal. Si necesitas una referencia de voz o un modelo de precios distinto, consulta la comparativa de APIs de síntesis de voz sin censura.
