MiniMax Speech 2.8 Turbo è la scelta migliore con cui iniziare per narrazione e dialogo tra adulti: $0.072 ogni 1.000 caratteri, contro $0.12 di HD. Entrambe condividono le stesse 472 voci di sistema e gli stessi controlli di recitazione. Sui nostri test di settembre 2026 entrambe leggono parola per parola i copioni adulti espliciti ed eseguono i tag sonori come (breath) e (gasps) invece di pronunciarli.
La differenza di qualità è piccola. Nell'arena di ascolto cieco di Artificial Analysis, HD ottiene circa 1173 Elo e Turbo circa 1153, e i loro margini di confidenza si sovrappongono. HD costa due terzi in più per quel vantaggio, quindi comincia da Turbo e passa una riga a HD solo quando senti un problema concreto, come una frase rigida o un cambiamento di emozione goffo.
Confronto tra prezzi e capacità
La fatturazione è a carattere, spazi, punteggiatura, a capo e tag sonori in linea inclusi, senza arrotondamento a 1.000: una riga di 115 caratteri costa $0.0083 su Turbo e $0.0138 su HD.
| Dettaglio | Speech 2.8 Turbo | Speech 2.8 HD |
|---|---|---|
| Ogni 1.000 caratteri | $0.072 | $0.12 |
| Richiesta massima: 5.000 caratteri, circa 6-7 minuti di parlato | $0.36 | $0.60 |
| Narrazione di dieci minuti, circa 7.750 caratteri in 2 richieste | $0.56 | $0.93 |
| Voci di sistema | 472 | 472 |
| Emozione, velocità, intonazione, volume, dizionario di pronuncia | Disponibile | Disponibile |
| Audio predefinito | MP3 mono, 32 kHz | MP3 mono, 32 kHz |
| Altri formati | WAV, FLAC, PCM grezzo | WAV, FLAC, PCM grezzo |
La attività Turbo e l'attività HD sono generatori asincroni a voce singola, quindi nessuna delle due è adatta a un agente vocale dal vivo. La clonazione vocale, che l'API di MiniMax stessa offre, non è disponibile su questi percorsi, e non lo è neppure una serie di più parlanti: due personaggi richiedono due richieste e un montaggio audio. L'audio generato viene conservato per 14 giorni, quindi scarica quello che intendi usare.
Copioni per adulti e tag sonori
Entrambe le versioni leggono il vocabolario adulto esplicito così com'è scritto, sia nei passaggi diretti sia nella narrazione da audiobook, senza saltare o troncare nulla. I passaggi ricchi di indicazioni come (breath), (pant), (groans) e (gasps) sono tornati con quei suoni eseguiti, non letti come parole.
La documentazione di MiniMax elenca 19 tag per Speech 2.8: (laughs), (chuckle), (coughs), (clear-throat), (groans), (breath), (pant), (inhale), (exhale), (gasps), (sniffs), (sighs), (snorts), (burps), (lip-smacking), (humming), (hissing), (emm) e (sneezes). Scrivi il tag dentro text nel punto in cui il suono deve verificarsi. Il copione dell'esempio di provocazione di Turbo comincia con (laughs); il copione del messaggio vocale notturno di HD contiene (sighs). Ascolta gli esempi per controllare come vengono rese queste indicazioni.
Un primo testo di input utile
Per una persona adulta fittizia che manda un messaggio vocale scherzoso, incolla questo come input di un'attività Turbo (il Playground della pagina del modello accetta gli stessi campi):
{
"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"
}Questo costa $0.0083 su Turbo e $0.0138 su HD. MiniMax non ha un campo instructions a testo libero e l'API lo rifiuta; la direzione arriva dalla voce, dal valore di emotion e dai controlli numerici. Calm_Woman è la voce predefinita e Deep_Voice_Man è un altro ID di sistema per una voce maschile più bassa. Scegli un altro preset quando ti serve un altro timbro; abbassare l'intonazione di un'ottava non sostituisce la scelta di una voce adatta.
Per confrontare con HD, tieni esattamente questo input e cambia solo il modello. Se cambi anche il copione o la voce, non saprai più che cosa abbia fatto il cambio di modello.
I controlli che cambiano una recitazione
| Controllo | Intervallo o opzioni | Prima decisione utile |
|---|---|---|
emotion | neutral, happy, sad, angry, fearful, disgusted, surprised | Parti da neutral; happy può rendere più vivace una riga scherzosa |
speed | Da 0.5 a 2; il normale è 1 | Prova 0.9 se la riga è troppo affrettata |
pitch | Da -12 a +12 semitoni; il normale è 0 | Tieni 0 finché non hai scelto la voce |
volume | Da 0.1 a 10; il normale è 1 | Tieni 1; imposta i livelli finali nel tuo editor |
language | auto per impostazione predefinita; 40 lingue, tra cui en, es, ja, ko | Impostala per copioni brevi o a lingue miste; non traduce il testo |
english_normalization | Booleano; false per impostazione predefinita | Attivalo per numeri e date in prosa inglese |
emotion si applica all'intera richiesta. Se un personaggio passa da scherzoso a spaventato, genera quei passaggi separatamente con lo stesso voice_id e valori di emozione diversi, poi uniscili.
Per un nome che la voce continua a leggere male, aggiungi una voce al dizionario di pronuncia invece di cambiare il personaggio:
{
"text": "Good evening, Celine. I was hoping you'd call.",
"voice_id": "Calm_Woman",
"language": "en",
"pronunciation_dict": [
{"alias": "Celine", "pronunciation": "seh LEEN"}
]
}Il dizionario accetta fino a 100 voci. alias è l'ortografia nel tuo copione e non può contenere una barra. pronunciation può essere parole riscritte semplicemente o IPA tra parentesi, come (rɪˈzjuːm). Non cambia il prezzo.
Scegliere il formato audio giusto
Usa MP3 per un'anteprima web e WAV o FLAC per le successive modifiche. Il bitrate MP3 è 32.000, 64.000, 128.000 (predefinito) o 256.000 bit al secondo e vale solo per MP3. La frequenza di campionamento è 8.000, 16.000, 22.050, 24.000, 32.000 (predefinito) o 44.100 Hz; scegli 44.100 solo se il tuo progetto di editing la richiede, perché una frequenza più alta non corregge una riga pronunciata male.
Il PCM grezzo è audio 16 bit little-endian senza intestazione che i browser non possono riprodurre. Scegli WAV a meno che il tuo software conosca già la frequenza di campionamento e il numero di canali. audio_channels accetta mono o stereo; lo stereo non mette personaggi diversi su tracce separate.
Correggere il problema che senti davvero
| Problema | Prima riparazione |
|---|---|
| Viene letta una nota di produzione | Rimuovila da text; solo i tag elencati sopra vanno nel testo |
| Un nome di personaggio suona male | Aggiungi una voce al dizionario di pronuncia |
| Una riga scherzosa suona arrabbiata | Imposta emotion su neutral o happy; lascia invariate le parole e la voce |
| Due personaggi condividono una voce | Genera ogni battuta con il proprio voice_id; le etichette di parlante in un unico campo di testo non cambiano la voce |
| Una clip è troppo affrettato | Prova la velocità 0.9, oppure accorcia una frase che porta troppo |
| Un respiro è collocato male | Sposta o togli quel tag invece di cambiare il modello |
| L'audio è distorto dopo un forte aumento del volume | Riporta il volume a 1 e regola il file finale nel tuo editor |
Per un progetto di dieci scene con 2.000 caratteri per scena, una passata su Turbo costa $1.44 e una su HD $2.40. Rigenerare una sola riga di 200 caratteri costa $0.0144 su Turbo o $0.024 su HD, quindi correggere una riga costa molto meno che comprare una seconda passata completa.
Comincia da Turbo, risolvi i problemi di recitazione con i controlli qui sopra e invia a HD solo le righe che suonano ancora male. Se ti serve un riferimento di voce o un modello di prezzi diverso, vedi il confronto delle API di sintesi vocale senza censura.
