MiniMax Speech 2.8 Turbo は大人向けのナレーションや登場人物の会話で最初に選ぶのに向いており、1,000文字あたり$0.072と、HDの$0.12より安く済みます。 どちらも同じ472のシステム音声と同じ話し方の調整項目を備えています。2026年9月のテストでは、どちらも明示的なアダルト台本を一語ずつそのまま読み、効果音タグを(breath)や(gasps)のように読み上げるのではなく演技として再現しました。
品質の差は小さいです。Artificial Analysisの盲聴アリーナでは、HDは約1173 Elo、Turboは約1153で、信頼区間は重なっています。そのわずかな差の割にはHDは3分の2ほど高くつくため、まずTurboで始めて、硬い言い回しや不自然な感情の切り替えのような具体的な問題を聞いたときだけ、その行をHDへ移してください。
価格と機能の比較
課金対象は文字単位で、空白、句読点、改行、本文中の効果音タグを含め、1,000文字への切り上げは行いません。115文字の行はTurboで$0.0083、HDで$0.0138です。
| 詳細 | Speech 2.8 Turbo | Speech 2.8 HD |
|---|---|---|
| 1,000文字あたり | $0.072 | $0.12 |
| 最大リクエスト：5,000文字、約6から7分の音声 | $0.36 | $0.60 |
| 10分のナレーション、2リクエストで約7,750文字 | $0.56 | $0.93 |
| システム音声 | 472 | 472 |
| 感情、速度、高さ、音量、発音辞書 | 対応 | 対応 |
| 既定の音声 | モノラルMP3、32 kHz | モノラルMP3、32 kHz |
| その他の形式 | WAV、FLAC、生PCM | WAV、FLAC、生PCM |
TurboタスクとHDタスクはいずれも非同期で単一音声の生成器なので、リアルタイムの音声エージェントには向きません。MiniMaxのAPIそのものが提供する音声クローンはこの経路では使えず、複数話者の配列も同様です。登場人物が二人なら、リクエストが二回と音声の編集が要ります。生成された音声は14日保持されるので、実際に使うものはダウンロードしてください。
アダルト台本と効果音タグ
どちらの版も、明示的な大人向けの語彙を、直接的な箇所でもオーディオブック風のナレーションでも、書きどおりに読み飛ばしも切り詰めもせずに読みます。(breath)、(pant)、(groans)、(gasps)のような指示の多い箇所は、その音が言葉として読み上げられるのではなく、演技として再生された状態で返ってきました。
MiniMaxのドキュメントには、Speech 2.8のタグとして19種類が挙がっています。(laughs)、(chuckle)、(coughs)、(clear-throat)、(groans)、(breath)、(pant)、(inhale)、(exhale)、(gasps)、(sniffs)、(sighs)、(snorts)、(burps)、(lip-smacking)、(humming)、(hissing)、(emm)、(sneezes)です。効果音にしたい位置にタグをtextの中へ書いてください。Turboのライバルをからかうサンプルの台本は(laughs)で始まり、HDの深夜の音声メモには(sighs)が入っています。サンプルを再生して、これらの指示がどう表現されるか確かめてください。
登場人物に最初に使える入力例
いたずらっぽい音声メッセージを送る架空の大人向けに、Turboタスクのinputへ次を貼り付けてください。モデルページのPlaygroundも同じ項目を使います。
{
"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"
}これはTurboで$0.0083、HDで$0.0138です。MiniMaxに自由形式のinstructions項目はなく、APIはその指定を拒否します。方向づけは音声、emotionの値、数値調整で行います。Calm_Womanが既定の音声で、Deep_Voice_Manはより低い男性音声のシステムIDです。別の音色が必要なら別のプリセットを選んでください。高さを1オクターブ下げても、適切な音声の選定には代わりません。
HDと比較するときは、この入力をそのまま不变に保って、変えるのはモデルのみだけにしてください。台本や音声まで変えてしまうと、モデル変更が何をしたのか分からなくなります。
演技を変える調整項目
| 項目 | 範囲と選択肢 | 最初に決めるとよいこと |
|---|---|---|
emotion | neutral、happy、sad、angry、fearful、disgusted、surprised | まずneutralから。happyは遊び心のある台詞をやや活発にします |
speed | 0.5から2、通常は1 | 急ぎすぎているときは0.9を試します |
pitch | -12から+12半音、通常は0 | 音声が決まるまでは0のままに |
volume | 0.1から10、通常は1 | 1のままに。最終的なレベルは編集ソフトで設定します |
language | 既定はauto。en、es、ja、koなど40言語 | 短い台本や複数の言語が混ざる台本では指定します。本文は翻訳されません |
english_normalization | 真偽値、既定はfalse | 英語の文中に数字や日付がある場合に有効にします |
emotionはリクエスト全体に適用されます。登場人物がいたずらっぽい状態から恐れた状態に変わっている場合は、同じvoice_idに異なる感情の値を付けて別々に生成し、あとでつなぎます。
音声が誤読し続ける名前には、登場人物を替えるのではなく発音辞書の項目を追加してください。
{
"text": "Good evening, Celine. I was hoping you'd call.",
"voice_id": "Calm_Woman",
"language": "en",
"pronunciation_dict": [
{"alias": "Celine", "pronunciation": "seh LEEN"}
]
}辞書は100件まで登録できます。aliasは台本上の書き方のことで、スラッシュは含められません。pronunciationは単純に綴り直した単語でも、括弧で囲んだ(rɪˈzjuːm)のようなIPAでもかまいません。価格は変わりません。
出力形式の選び方
ウェブでの試聴にはMP3、その先の編集にはWAVまたはFLACを使ってください。MP3のビットレートは毎秒32,000、64,000、128,000（既定）、256,000ビットで、MP3にだけ適用されます。サンプリングレートは8,000、16,000、22,050、24,000、32,000（既定）、44,100 Hzです。編集プロジェクトで必要なときにだけ44,100を選んでください。レートを上げても、読み間違いは直りません。
生PCMはヘッダーなしの16ビットlittle-endian音声で、ブラウザーは再生できません。使用ソフトがサンプリングレートとチャンネル数をすでに把握している場合のほかはWAVを選んでください。audio_channelsはmonoかstereoを取りますが、ステレオにしても別の登場人物を別トラックには分けません。
実際に聞こえる問題を直す
| 問題 | 最初の直し方 |
|---|---|
| 制作上のメモが読み上げられている | textから削除します。本文に入るのは上に挙げたタグだけです |
| 登場人物の名前が妙に聞こえる | 発音辞書に項目を追加します |
| 遊び心のある台詞が怒ったように聞こえる | emotionをneutralかhappyにします。言葉と音声は変えません |
| 二人の登場人物が同じ音声になる | 台詞ごとにvoice_idを変えて生成します。一つのテキスト欄に話者名を書いても音声は切り替わりません |
| クリップが急ぎすぎる | 速度0.9を試すか、盛り込みすぎた文を短くします |
| 息継ぎの位置がおかしい | モデルを替えるのではなく、そのタグを移すか外します |
| 大きくゲインを上げたあと音声が歪む | 音量を1に戻し、編集ソフトで納品ファイルを調整します |
一場面あたり2,000文字の十場面なら、Turboで一回の生成は$1.44、HDなら$2.40です。200文字の台詞を一行だけ作り直す場合はTurboで$0.0144、HDで$0.024なので、一行の修正のほうが二回目の全体生成よりずっと安くなります。
まずTurboで始めて、上の調整項目で話し方の問題を解消し、まだ不自然に聞こえる行だけをHDに回してください。音声の見本や別の料金体系が必要なら、無検閲のテキスト読み上げAPIの比較を参照してください。
