MiniMax Speech 2.8 Turbo est le meilleur premier choix pour une narration et un dialogue entre adultes : $0.072 pour 1 000 caractères, contre $0.12 pour HD. Les deux partagent les mêmes 472 voix système et les mêmes réglages de diction. D'après nos tests de septembre 2026, les deux lisent mot pour mot les scripts adultes explicites et exécutent les balises sonores comme (breath) et (gasps) au lieu de les prononcer.
L'écart de qualité est faible. Dans l'arène d'écoute à l'aveugle d'Artificial Analysis, HD obtient environ 1173 Elo et Turbo environ 1153, et leurs marges de confiance se chevauchent. HD coûte deux tiers de plus pour cet avantage : commencez donc sur Turbo et ne passez une ligne à HD que lorsque vous entendez un problème précis, comme une formulation rigide ou un virage émotionnel maladroit.
Comparatif des prix et des capacités
La facturation est au caractère, espaces, ponctuation, sauts de ligne et balises sonores en ligne inclus, sans arrondi à 1 000 : une ligne de 115 caractères coûte $0.0083 sur Turbo et $0.0138 sur HD.
| Détail | Speech 2.8 Turbo | Speech 2.8 HD |
|---|---|---|
| Pour 1 000 caractères | $0.072 | $0.12 |
| Requête maximale : 5 000 caractères, environ 6 à 7 minutes de parole | $0.36 | $0.60 |
| Narration de dix minutes, environ 7 750 caractères en 2 requêtes | $0.56 | $0.93 |
| Voix système | 472 | 472 |
| Émotion, vitesse, hauteur, volume, dictionnaire de prononciation | Disponible | Disponible |
| Audio par défaut | MP3 mono, 32 kHz | MP3 mono, 32 kHz |
| Autres formats | WAV, FLAC, PCM brut | WAV, FLAC, PCM brut |
La tâche Turbo et la tâche HD sont des générateurs asynchrones à voix unique : aucune ne convient donc à un agent vocal en direct. Le clonage vocal, que propose la propre API de MiniMax, n'est pas disponible sur ces routes, et pas davantage un tableau de plusieurs locuteurs : deux personnages demandent deux requêtes et un montage audio. L'audio généré est conservé 14 jours, alors téléchargez ce que vous comptez utiliser.
Scripts adultes et balises sonores
Les deux versions lisent le vocabulaire adulte explicite tel qu'il est écrit, dans les passages directs comme dans la narration de type livre audio, sans rien sauter ni tronquer. Les passages riches en indications comme (breath), (pant), (groans) et (gasps) sont revenus avec ces sons exécutés, et non lus comme des mots.
La documentation de MiniMax liste 19 balises pour Speech 2.8 : (laughs), (chuckle), (coughs), (clear-throat), (groans), (breath), (pant), (inhale), (exhale), (gasps), (sniffs), (sighs), (snorts), (burps), (lip-smacking), (humming), (hissing), (emm) et (sneezes). Écrivez la balise dans text à l'endroit où le son doit se produire. Le script de l'échantillon de taquinerie de Turbo commence par (laughs) ; le script du message vocal nocturne de HD contient (sighs). Écoutez les échantillons pour vérifier le rendu de ces indications.
Un premier texte d'entrée utile
Pour un adulte fictif qui envoie un message vocal taquin, collez ceci comme input d'une tâche Turbo (le Playground de la page du modèle prend les mêmes champs) :
{
"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"
}Cela coûte $0.0083 sur Turbo et $0.0138 sur HD. MiniMax n'a pas de champ instructions en texte libre, et l'API le rejette : la direction vient de la voix, de la valeur d'emotion et des réglages numériques. Calm_Woman est la voix par défaut, et Deep_Voice_Man est un autre identifiant système pour une voix masculine plus grave. Choisissez un autre préréglage quand vous voulez une autre couleur de voix ; baisser la hauteur d'une octave ne remplace pas le choix d'une voix adaptée.
Pour comparer avec HD, gardez exactement cette entrée et changez uniquement le modèle. Si vous modifiez aussi le script ou la voix, vous ne pourrez plus savoir ce que le changement de modèle a fait.
Les réglages qui changent une interprétation
| Réglage | Plage ou options | Première décision utile |
|---|---|---|
emotion | neutral, happy, sad, angry, fearful, disgusted, surprised | Commencez en neutral ; happy peut rendre une ligne taquine plus vivante |
speed | 0.5 à 2 ; normal vaut 1 | Essayez 0.9 si la ligne est trop rapide |
pitch | -12 à +12 demi-tons ; normal vaut 0 | Gardez 0 tant que vous n'avez pas choisi la voix |
volume | 0.1 à 10 ; normal vaut 1 | Gardez 1 ; réglez les niveaux finaux dans votre éditeur |
language | auto par défaut ; 40 langues, dont en, es, ja, ko | Fixez-la pour les scripts courts ou en langue mixte ; elle ne traduit pas le texte |
english_normalization | Booléen ; false par défaut | Activez-la pour les nombres et les dates dans une prose anglaise |
emotion s'applique à toute la requête. Si un personnage passe de taquin à craintif, générez ces passages séparément avec le même voice_id et des valeurs d'émotion différentes, puis assemblez-les.
Pour un nom que la voix confond toujours, ajoutez une entrée au dictionnaire de prononciation plutôt que de changer le personnage :
{
"text": "Good evening, Celine. I was hoping you'd call.",
"voice_id": "Calm_Woman",
"language": "en",
"pronunciation_dict": [
{"alias": "Celine", "pronunciation": "seh LEEN"}
]
}Le dictionnaire accepte jusqu'à 100 entrées. alias est l'orthographe dans votre script et ne peut pas contenir de barre oblique. pronunciation peut être des mots simplement réécrits ou de l'IPA entre parenthèses, comme (rɪˈzjuːm). Cela ne change pas le prix.
Choisir le bon format audio
Utilisez MP3 pour un aperçu web et WAV ou FLAC pour poursuivre l'édition. Le débit binaire MP3 est 32 000, 64 000, 128 000 (par défaut) ou 256 000 bits par seconde, et il ne s'applique qu'au MP3. La fréquence d'échantillonnage est 8 000, 16 000, 22 050, 24 000, 32 000 (par défaut) ou 44 100 Hz ; choisissez 44 100 seulement si votre projet d'édition en a besoin, car une fréquence plus élevée ne corrige pas une ligne mal prononcée.
Le PCM brut est un audio 16 bits little-endian sans en-tête que les navigateurs ne peuvent pas lire. Choisissez WAV sauf si votre logiciel connaît déjà la fréquence d'échantillonnage et le nombre de canaux. audio_channels accepte mono ou stereo ; le stéréo ne place pas des personnages différents sur des pistes séparées.
Corrigez le problème que vous entendez vraiment
| Problème | Première correction |
|---|---|
| Une note de production est lue | Retirez-la de text ; seules les balises listées ci-dessus vont dans le texte |
| Un nom de personnage sonne mal | Ajoutez une entrée au dictionnaire de prononciation |
| Une ligne taquine sonne fâchée | Mettez emotion sur neutral ou happy ; gardez les mots et la voix inchangés |
| Deux personnages partagent une voix | Générez chaque réplique avec son propre voice_id ; les étiquettes de locuteur dans un même champ de texte ne changent pas de voix |
| Un clip est trop rapide | Essayez la vitesse 0.9, ou raccourcissez une phrase qui en porte trop |
| Un souffle est mal placé | Déplacez ou retirez cette balise au lieu de changer le modèle |
| L'audio est distordu après une forte montée du volume | Remettez le volume à 1 et ajustez le fichier final dans votre éditeur |
Pour un projet de dix scènes avec 2 000 caractères par scène, un passage Turbo coûte $1.44 et un passage HD $2.40. Régénérer une seule ligne de 200 caractères coûte $0.0144 sur Turbo ou $0.024 sur HD : corriger une ligne revient donc bien moins cher qu'acheter un second passage complet.
Commencez sur Turbo, réglez les problèmes de diction avec les contrôles ci-dessus et n'envoyez à HD que les lignes qui sonnent encore mal. Si vous avez besoin d'une référence de voix ou d'un autre modèle de prix, voir la comparaison des API de synthèse vocale sans censure.
