MiniMax Speech 2.8 Turbo to lepszy pierwszy wybór do narracji i dialogu między dorosłymi postaciami: 0,072 $ za 1000 znaków wobec 0,12 $ w HD. Oba warianty mają te same 472 głosy systemowe i te same regulacje sposobu czytania. Na podstawie naszych testów z września 2026 roku oba czytają dosadne scenariusze dla dorosłych słowo w słowo i wykonują tagi dźwiękowe takie jak (breath) i (gasps), zamiast je wypowiadać.
Różnica w jakości jest niewielka. W arenie słuchu na ślepo Artificial Analysis HD zdobywa około 1173 Elo, a Turbo około 1153, a ich przedziały pewności na siebie zachodzą. HD kosztuje o dwie trzecie więcej za tę przewagę, więc zacznij od Turbo, a pojedynczą linię przenieś do HD tylko wtedy, gdy usłyszysz konkretny problem, na przykład sztywną frazę albo niezgrabne przejście emocjonalne.
Porównanie cen i możliwości
Rozliczenie jest za znak, wliczając spacje, interpunkcję, podziały wierszy i wbudowane tagi dźwiękowe, bez zaokrąglania do 1000: wiersz długości 115 znaków kosztuje 0,0083 $ w Turbo i 0,0138 $ w HD.
| Szczegóły | Speech 2.8 Turbo | Speech 2.8 HD |
|---|---|---|
| Za 1000 znaków | 0,072 $ | 0,12 $ |
| Maksymalne żądanie: 5000 znaków, około 6 do 7 minut mowy | 0,36 $ | 0,60 $ |
| Dziesięciominutowa narracja, około 7750 znaków w 2 żądaniach | 0,56 $ | 0,93 $ |
| Głosy systemowe | 472 | 472 |
| Emocja, tempo, wysokość, głośność, słownik wymowy | Dostępne | Dostępne |
| Dźwięk domyślny | Mono MP3, 32 kHz | Mono MP3, 32 kHz |
| Pozostałe formaty | WAV, FLAC, surowy PCM | WAV, FLAC, surowy PCM |
Zadanie Turbo i zadanie HD to asynchroniczne generatory pojedynczego głosu, więc żadne z nich nie pasuje do głosowego agenta na żywo. Klonowanie głosu, które oferuje własne API MiniMax, nie jest dostępne na tych trasach, a także nie jest dostępna tablica wielu mówców: dwie postacie wymagają dwóch żądań i montażu audio. Wygenerowany dźwięk jest przechowywany przez 14 dni, więc pobierz to, czego planujesz użyć.
Scenariusze dla dorosłych i tagi dźwiękowe
Oba warianty czytają dosadne słownictwo dla dorosłych dokładnie tak, jak zostało zapisane, zarówno w fragmentach bezpośrednich, jak i w narracji w stylu audiobooka, niczego nie pomijając ani nie ucinając. Fragmenty pełne wskazówek takich jak (breath), (pant), (groans) i (gasps) wróciły z tymi dźwiękami wykonanymi, a nie wypowiedzianymi jako słowa.
Dokumentacja MiniMax wymienia 19 tagów dla Speech 2.8: (laughs), (chuckle), (coughs), (clear-throat), (groans), (breath), (pant), (inhale), (exhale), (gasps), (sniffs), (sighs), (snorts), (burps), (lip-smacking), (humming), (hissing), (emm) i (sneezes). Wpisz tag w text w miejscu, w którym ma powstać dźwięk. Skrypt próbki z droczącym się rywalem w Turbo zaczyna się od (laughs); skrypt nocnej wiadomości głosowej w HD zawiera (sighs). Odsłuchaj próbki, aby sprawdzić brzmienie tych wskazówek.
Przydatny pierwszy tekst wejściowy
Dla fikcyjnej dorosłej postaci wysyłającej żartobliwą wiadomość głosową wklej to jako input zadania Turbo (Playground na stronie modelu przyjmuje te same pola):
{
"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"
}To kosztuje 0,0083 $ w Turbo i 0,0138 $ w HD. MiniMax nie ma swobodnego pola tekstowego instructions, a API je odrzuca; kierunek wynika z głosu, wartości emotion i regulatorów liczbowych. Calm_Woman to głos domyślny, a Deep_Voice_Man to inny identyfikator systemowy dla niższego głosu męskiego. Wybierz inny preset, gdy potrzebujesz innej barwy głosu; obniżenie wysokości o oktawę nie zastępuje obsadzenia odpowiedniego głosu.
Aby porównać z HD, zachowaj dokładnie ten sam tekst wejściowy i zmień tylko model. Jeśli zmienisz też scenariusz albo głos, nie będziesz w stanie stwierdzić, co wniosła zmiana modelu.
Regulatory, które zmieniają wykonanie
| Regulator | Zakres lub opcje | Przydatna pierwsza decyzja |
|---|---|---|
emotion | neutral, happy, sad, angry, fearful, disgusted, surprised | Zacznij od neutral; happy może ożywić żartobliwą kwestię |
speed | od 0.5 do 2; normalnie 1 | Spróbuj 0.9, gdy wiersz jest zbyt pospieszny |
pitch | od -12 do +12 półtonów; normalnie 0 | Zostań przy 0, dopóki nie wybierzesz głosu |
volume | od 0.1 do 10; normalnie 1 | Zostań przy 1; końcowe poziomy ustaw w edytorze |
language | domyślnie auto; 40 języków, w tym en, es, ja, ko | Ustaw go dla krótkich lub wielojęzycznych scenariuszy; nie tłumaczy tekstu |
english_normalization | Wartość logiczna; domyślnie false | Włącz dla liczb i dat w angielskiej prozie |
emotion obowiązuje w całym żądaniu. Jeśli postać przechodzi od żartobliwej do przerażonej, wygeneruj te fragmenty osobno z tym samym voice_id i różnymi wartościami emocji, a potem je połącz.
Dla imienia, które głos wciąż czyta źle, dodaj wpis do słownika wymowy zamiast zmieniać postać:
{
"text": "Good evening, Celine. I was hoping you'd call.",
"voice_id": "Calm_Woman",
"language": "en",
"pronunciation_dict": [
{"alias": "Celine", "pronunciation": "seh LEEN"}
]
}Słownik przyjmuje do 100 wpisów. alias to zapis w twoim scenariuszu i nie może zawierać ukośnika. pronunciation może być po prostu przepisanymi słowami albo zapisem IPA w nawiasie, na przykład (rɪˈzjuːm). Nie zmienia to ceny.
Wybierz właściwy format dźwięku
Użyj MP3 do podglądu w sieci i WAV albo FLAC do dalszej obróbki. Przepływność MP3 wynosi 32 000, 64 000, 128 000 (domyślnie) lub 256 000 bitów na sekundę i dotyczy tylko MP3. Częstotliwość próbkowania to 8 000, 16 000, 22 050, 24 000, 32 000 (domyślnie) lub 44 100 Hz; wybierz 44 100 tylko wtedy, gdy potrzebuje tego twój projekt obróbki, ponieważ wyższa częstotliwość nie naprawi źle wypowiedzianej kwestii.
Surowy PCM to dźwięk 16-bitowy little-endian bez nagłówka, którego przeglądarki nie odtworzą. Wybierz WAV, chyba że twoje oprogramowanie już zna częstotliwość próbkowania i liczbę kanałów. audio_channels przyjmuje mono lub stereo; stereo nie rozdziela różnych postaci na osobne ścieżki.
Napraw problem, który naprawdę słyszysz
| Problem | Pierwsza naprawa |
|---|---|
| Notatka produkcyjna jest wypowiadana | Usuń ją z text; do treści wchodzą tylko wymienione wyżej tagi |
| Imię postaci brzmi źle | Dodaj wpis do słownika wymowy |
| Żartobliwa kwestia brzmi gniewnie | Ustaw emotion na neutral albo happy; zostaw słowa i głos bez zmian |
| Dwie postacie dzielą jeden głos | Generuj każdą kwestię z własnym voice_id; etykiety mówcy w jednym polu tekstowym nie zmieniają głosu |
| Klip jest zbyt pospieszny | Spróbuj tempa 0.9 albo skróć zdanie, które niesie za dużo |
| Wdech jest źle umieszczony | Przesuń lub usuń ten tag, zamiast zmieniać model |
| Dźwięk jest zniekształcony po dużym podbiciu głośności | Przywróć głośność do 1 i popraw gotowy plik w swoim edytorze |
Dla projektu z dziesięciu scen po 2000 znaków na scenę jedno przejście w Turbo kosztuje 1,44 $, a jedno w HD 2,40 $. Wygenerowanie od nowa pojedynczej kwestii długości 200 znaków kosztuje 0,0144 $ w Turbo lub 0,024 $ w HD, więc naprawa jednej kwestii jest znacznie tańsza niż kupowanie drugiego pełnego przejścia.
Zacznij od Turbo, rozwiąż problemy z wykonaniem powyższymi regulatorami i wyślij do HD tylko te kwestie, które wciąż brzmią źle. Jeśli potrzebujesz wzorcowego głosu lub innego modelu cennika, zajrzyj do porównania API syntezy mowy bez cenzury.
