MiniMax Speech 2.8 HD vs Turbo: áudio adulto, preços e controles

MiniMax Speech 2.8 Turbo é a melhor primeira escolha para narração e diálogo entre adultos: $0.072 por 1.000 caracteres, contra $0.12 do HD. Os dois compartilham as mesmas 472 vozes de sistema e os mesmos controles de interpretação. Com base nos nossos testes de setembro de 2026, ambos leem palavra por palavra os roteiros adultos explícitos e executam tags de som como (breath) e (gasps) em vez de pronunciá-las.

A diferença de qualidade é pequena. Na arena de escuta às cegas da Artificial Analysis, o HD marca cerca de 1173 Elo e o Turbo cerca de 1153, e suas margens de confiança se sobrepõem. O HD custa dois terços a mais por essa vantagem, então comece no Turbo e passe uma linha para o HD só quando ouvir um problema concreto, como uma frase rígida ou uma virada emocional desajeitada.

Comparação de preço e recursos

A cobrança é por caractere, incluindo espaços, pontuação, quebras de linha e tags de som no corpo do texto, sem arredondamento para 1.000: uma linha de 115 caracteres custa $0.0083 no Turbo e $0.0138 no HD.

A tarefa Turbo e a tarefa HD são geradores assíncronos de voz única, então nenhuma delas serve para um agente de voz ao vivo. A clonagem de voz, que a própria API da MiniMax oferece, não está disponível nessas rotas, e tampouco um array de vários falantes: dois personagens precisam de duas requisições e de uma edição de áudio. O áudio gerado fica guardado por 14 dias, então baixe o que você pretende usar.

Roteiros adultos e tags de som

As duas versões leem o vocabulário adulto explícito como foi escrito, tanto em trechos diretos quanto em narração estilo audiolivro, sem pular ou truncar nada. Trechos ricos em indicações como (breath), (pant), (groans) e (gasps) voltaram com esses sons executados, não lidos como palavras.

A documentação da MiniMax lista 19 tags para o 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). Escreva a tag dentro de text no ponto em que o som deve acontecer. O roteiro da amostra de provocação do Turbo começa com (laughs); o roteiro da mensagem de voz noturna do HD inclui (sighs). Ouça as amostras para conferir como essas indicações são interpretadas.

Um primeiro texto de entrada útil

Para um adulto fictício enviando uma mensagem de voz brincalhona, cole isto como input de uma tarefa Turbo (o Playground da página do modelo aceita os mesmos 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"
}

Isso custa $0.0083 no Turbo e $0.0138 no HD. A MiniMax não tem um campo instructions de texto livre, e a API o rejeita; a direção vem da voz, do valor de emotion e dos controles numéricos. Calm_Woman é a voz padrão, e Deep_Voice_Man é outro ID de sistema para uma voz masculina mais grave. Escolha outro preset quando precisar de outro timbre; baixar o tom uma oitava não substitui escolher uma voz adequada.

Para comparar com o HD, mantenha exatamente este input e mude apenas o modelo. Se você também mudar o roteiro ou a voz, deixará de saber o que a troca de modelo fez.

Os controles que mudam uma interpretação

emotion se aplica à requisição inteira. Se um personagem passa de brincalhão para assustado, gere esses trechos separadamente com o mesmo voice_id e valores de emoção diferentes e depois junte-os.

Para um nome que a voz continua lendo errado, acrescente uma entrada no dicionário de pronúncia em vez de trocar o personagem:

{
  "text": "Good evening, Celine. I was hoping you'd call.",
  "voice_id": "Calm_Woman",
  "language": "en",
  "pronunciation_dict": [
    {"alias": "Celine", "pronunciation": "seh LEEN"}
  ]
}

O dicionário aceita até 100 entradas. alias é a grafia no seu roteiro e não pode conter barra. pronunciation pode ser palavras simplesmente reescritas ou IPA entre parênteses, como (rɪˈzjuːm). Isso não altera o preço.

Escolhendo o formato de áudio certo

Use MP3 para uma prévia na web e WAV ou FLAC para edições posteriores. A taxa de bits do MP3 é 32.000, 64.000, 128.000 (padrão) ou 256.000 bits por segundo e vale apenas para MP3. A taxa de amostragem é 8.000, 16.000, 22.050, 24.000, 32.000 (padrão) ou 44.100 Hz; escolha 44.100 somente se o seu projeto de edição precisar dela, porque uma taxa maior não corrige uma linha pronunciada errado.

O PCM bruto é áudio 16 bit little-endian sem cabeçalho que os navegadores não conseguem tocar. Escolha WAV a menos que o seu software já conheça a taxa de amostragem e a contagem de canais. audio_channels aceita mono ou stereo; estéreo não coloca personagens diferentes em faixas separadas.

Corrija o problema que você realmente ouve

Para um projeto de dez cenas com 2.000 caracteres por cena, uma passada no Turbo custa $1.44 e uma no HD $2.40. Regerar uma única linha de 200 caracteres custa $0.0144 no Turbo ou $0.024 no HD, então corrigir uma linha sai muito mais barato que comprar uma segunda passada completa.

Comece no Turbo, resolva os problemas de interpretação com os controles acima e envie ao HD apenas as linhas que ainda soam erradas. Se você precisar de uma referência de voz ou de um modelo de preços diferente, veja a comparação das APIs de síntese de voz sem censura.