Pular para o conteúdo principal

Sem censura — Este modelo declara não aplicar filtro de conteúdo. A SpicyAPI encaminha a solicitação sem adicionar uma análise de conteúdo da plataforma; as obrigações legais e de consentimento continuam com o cliente.Ver todos os modelos com esse nível de filtragem
minimax/speech-2.8-hd/text-to-speech

O text-to-speech MiniMax Speech 2.8 HD, a variante de maior fidelidade, lê um roteiro em uma de 472 vozes do sistema, com a emoção escolhida. Devolve por padrão um MP3 mono de 32 kHz, com velocidade, tom, volume e marcações sonoras como (sighs).

A partir de $0.12/1.000 caracteres
Executar modelo

Playground

Entrada

Texto para fala
127/5000
As palavras a serem faladas, exatamente como escritas. Marcações sonoras entre parênteses, como (sighs) ou (laughs), são interpretadas como som, não lidas em voz alta. Cobrado a cada 1.000 caracteres, incluindo espaços e pontuação. Até 5.000 caracteres. pelo menos 1 caracteres · no máximo 5000 caracteres

127 caracteres

Uma das 472 vozes do sistema. Padrão: Calm_Woman. Não há clonagem nem envio de uma voz de referência.
Velocidade
Velocidade da fala de 0,5 (mais lenta) a 2 (mais rápida); 1 é o ritmo normal da voz. Não altera o preço. não menor que 0.5 · não maior que 2
Tom
Deslocamento de tom em semitons, de -12 a 12; 0 mantém o tom natural da voz. Não altera o preço. não menor que -12 · não maior que 12
Volume
Multiplicador de volume de 0,1 a 10; 1 é o nível normal. Não altera o preço. não menor que 0.1 · não maior que 10
Filtro de segurançaDesligado

A SpicyAPI não executa filtro de segurança neste modelo. Seu prompt e suas mídias chegam ao modelo exatamente como você os enviou, e o próprio modelo decide o resultado.

Verificando sua conta antes de liberar o envio e a estimativa de preço.

Saída

Pronto para uma nova execução
Resultado de exemplo
0:00 / –:––
Avatar
Fala para texto
Sincronia labial

Modelos relacionados e próximas tarefas

Não encontrou o modelo que precisa?

Conte qual modelo adicionar e para que você vai usá-lo. Os pedidos vão direto para quem decide os próximos modelos.

As tags de som são interpretadas, não só lidas

O MiniMax Speech 2.8 HD transforma um campo de texto em um MP3 e interpreta as tags de som entre parênteses — (sighs), (laughs), (breath) — em vez de ler a palavra da tag em voz alta. Toda a solicitação tem quatro campos: o texto, uma voz do sistema, uma emoção e, opcionalmente, uma dica de idioma. São 17 vozes do sistema e nenhuma clonagem, então cada clipe vem de uma voz criada pela MiniMax. O HD é a variante de maior fidelidade do Speech 2.8; um endpoint irmão, o Speech 2.8 Turbo, troca parte dessa fidelidade por uma execução mais rápida e barata nos mesmos quatro campos.

Abrir o playground
Campos da solicitação
text, voice_id, emotion, language — apenas quatro campos
Vozes
17 vozes do sistema, sem clonagem, uma voz por solicitação
Tags de som
(sighs), (laughs), (breath) e semelhantes são interpretadas
Cobrança
US$ 0,12 a cada 1.000 caracteres de texto enviados, linear
Saída
MP3, 32 kHz mono, gerado em cerca de 8 segundos
Retenção
O áudio gerado fica disponível por 14 dias
Interpretação
As tags são interpretadas, não soletradasEm nossos próprios testes, cada tag de som entre parênteses que testamos — incluindo (breath), (pant), (groans), (gasps) — foi interpretada como som em vez de lida como palavra, em todas as tomadas que verificamos. É por esse comportamento que vale a pena escrever o roteiro: coloque a tag onde o som deve acontecer, não uma descrição dele.
Posicionamento
O HD é o extremo de fidelidade do Speech 2.8A própria plataforma da MiniMax lista 40 idiomas e mais de 300 vozes para o Speech 2.8; este endpoint expõe 17 vozes do sistema e os idiomas descritos no esquema, sem clonagem em nenhum dos dois casos. O HD foi feito para fidelidade — se velocidade de geração ou um custo por caractere menor importam mais, a mesma forma de solicitação roda no Speech 2.8 Turbo.
Atuação de voz
emotion e language realmente fazem diferençaemotion escolhe uma de sete leituras — neutral, happy, sad, angry, fearful, disgusted, surprised — e language funciona mais como uma dica de pronúncia do que um interruptor rígido: deixando em auto a detecção continua funcionando, ou você pode indicar o idioma real do roteiro para um resultado mais preciso.

O que a API MiniMax Speech 2.8 HD faz bem

  • Tags de som lidas como som, não como palavra

    Escreva (sighs) ou (laughs) dentro do texto e o modelo interpreta, segundo nossos próprios testes, em vez de pronunciar a palavra da tag. Isso aproxima um texto simples de uma atuação de voz de verdade, sem adicionar um campo separado para controlar isso.

  • Uma solicitação de quatro campos, sem nada para configurar errado

    text, voice_id, emotion e language são todo o esquema, e o endpoint rejeita qualquer outro campo. Não há controle de velocidade, tom ou volume nem dicionário de pronúncia para manter — o que você envia é praticamente tudo o que pode mudar entre duas chamadas.

  • Mais fidelidade do que o irmão Turbo

    O HD é a variante de maior fidelidade do Speech 2.8 da MiniMax, e em nossos testes um parágrafo de 270 caracteres gerou cerca de 20 a 22 segundos de áudio. O Turbo troca parte dessa qualidade por uma execução mais rápida e barata na mesma forma de solicitação, então alternar entre os dois costuma ser uma linha de código.

  • Sete emoções em 17 vozes

    Cada uma das 17 vozes do sistema pode ser lida em qualquer uma das sete emoções, faixa suficiente para levar um mesmo voice_id de uma narração calma a uma entrega raivosa ou amedrontada sem tocar no texto. Não há opção de voz personalizada, então a faixa disponível é a combinação dessas 17 vozes e 7 emoções.

  • Uma dica de idioma, não uma exigência rígida

    Deixar language em auto permite que o modelo detecte o idioma a partir do texto; indicar um dos cerca de 40 idiomas suportados funciona mais como dica de pronúncia. Isso torna viável usar roteiros que misturam dois idiomas em um mesmo parágrafo, já que a detecção automática não exige dividir a solicitação.

  • Lê todos os roteiros como estão escritos

    A SpicyAPI não adiciona nenhum filtro de conteúdo a este endpoint. Em nossos testes, nossos monólogos e roteiros de narração mais intensos foram lidos por completo em vez de censurados ou recusados, e isso se manteve em todas as tomadas verificadas. A responsabilidade pelo material e seu uso é de quem faz a chamada.

Para quem MiniMax Speech 2.8 HD é indicado

  • Narradores de audiolivros e ficção

    Um narrador que interpreta as rubricas em vez de lê-las

    Roteiros escritos com (sighs), (breath) ou (laughs) voltam, segundo nossos testes, com esses sons interpretados em vez de falados como palavras, o que importa em narrações onde uma rubrica soletrada quebraria a cena. Sete emoções por voz dão a um capítulo espaço para mudar de tom sem trocar o voice_id.

  • Falas de voz para jogos e apps

    Falas curtas com uma emoção definida por linha

    Uma solicitação de quatro campos é fácil de gerar programaticamente para centenas de falas curtas, e definir emotion por linha permite que um único voice_id carregue tanto uma dica alegre de tutorial quanto uma provocação raivosa de um chefe, sem ferramentas extras. A geração leva cerca de 8 segundos por clipe em nossos testes, o que funciona bem para iterar durante o desenvolvimento.

  • Equipes de conteúdo multilíngue

    Um único endpoint para cerca de 40 idiomas

    Deixar language em auto cobre roteiros em idioma desconhecido ou misturado, enquanto indicá-lo explicitamente melhora a pronúncia quando você já sabe qual é. As mesmas 17 vozes e 7 emoções valem independentemente do idioma, mantendo um catálogo multilíngue em um único conjunto de vozes consistente.

  • Produtos de áudio sem censura

    Uma voz que não suaviza o roteiro

    Nossos monólogos e roteiros de narração mais intensos foram lidos por completo em nossos testes, com as tags de som interpretadas em vez de puladas, o que importa para produtos construídos sobre material sem censura. Não há clonagem aqui, então toda voz na página é uma das 17 vozes do sistema, não uma construída a partir de uma amostra enviada por quem chama a API.

Como chamar a API MiniMax Speech 2.8 HD

  1. Escreva o texto com as tags onde os sons devem acontecer

    Mantenha diálogo e indicações sonoras como (sighs) ou (laughs) dentro do único campo text, até 5.000 caracteres. Coloque cada tag exatamente onde você quer o som interpretado, não como uma rubrica em outro ponto da frase.

  2. Escolha um voice_id entre as 17 vozes do sistema

    voice_id usa Calm_Woman por padrão se você omiti-lo; indicar uma das outras 16 — de Deep_Voice_Man a Young_Knight — é a única forma de trocar de locutor, já que este endpoint não oferece clonagem.

  3. Configure emotion e, se útil, uma dica de idioma

    emotion usa neutral por padrão; escolha um dos outros seis valores para mudar a entrega de toda a solicitação. Deixe language em auto para a detecção, ou indique o idioma como dica de pronúncia para um roteiro que você já conhece.

  4. Confira o preço cotado antes de executar

    A cobrança é linear por caractere, a US$ 0,12 a cada 1.000 caracteres de texto enviados, e a cotação mostrada antes da execução é o preço final — não há um mínimo separado por solicitação a considerar.

  5. Baixe o MP3 e planeje em torno da janela de 14 dias

    O resultado é um MP3 em 32 kHz mono, pronto em cerca de 8 segundos em nossos testes. O áudio gerado fica disponível por 14 dias, então mova o arquivo para seu próprio armazenamento se precisar dele por mais tempo.

MiniMax Speech 2.8 HD na prática

  • Uma nota de voz de madrugada

    Uma mensagem discreta de madrugada com um suspiro suave incorporado à fala, lida por uma voz calorosa em vez de uma entrega neutra.

    {"text": "(sighs) I've been thinking about you all evening... call me when you're free.", "voice_id": "Calm_Woman", "emotion": "happy", "language": "en"}

  • Um capítulo de audiolivro romântico

    Um narrador lê uma abertura de capítulo romântica com uma respiração interpretada na pausa, mantendo o tom caloroso e próximo sem detalhar a cena.

    {"text": "He leaned closer, his voice low. (breath) \"Stay,\" he said, \"just a little longer.\"", "voice_id": "Elegant_Man", "emotion": "happy", "language": "en"}

  • Uma fala sedutora de jogo

    Uma fala curta e brincalhona para uma cena estilo dating-sim, com uma entrega animada para que o mesmo voice_id possa carregar diálogos mais leves em outra parte do jogo.

    {"text": "(laughs) Careful \u2014 keep looking at me like that and I might just let you win.", "voice_id": "Lively_Girl", "emotion": "happy", "language": "en"}

Perguntas sobre a API MiniMax Speech 2.8 HD

Escreva os roteiros pensando em como devem ser interpretados, não narrados: coloque uma tag de som como (sighs) exatamente onde o som deve acontecer, indique um idioma só quando você já o conhece, e escolha uma emoção uma única vez por solicitação em vez de tentar variar no meio da frase, já que o campo se aplica ao clipe inteiro. Como a cobrança é linear por caractere, não por segundo gerado, a forma prática de estimar o custo é multiplicar a contagem de caracteres por US$ 0,12 a cada 1.000 — a cotação retornada antes da execução confirma isso. Se o custo por caractere importa mais que a fidelidade extra, a mesma solicitação de quatro campos roda mais barata no MiniMax Speech 2.8 Turbo.

Todos os modelos MiniMax11

Modelos de áudio3

Modelos de vídeo7

Modelos de imagem1

Comparações relacionadas

MiniMax Speech 2.8 HD vs Gemini 3.8 Flash-Lite TTSMiniMax Speech 2.8 HD vs Gemini 3.8 Flash TTSMiniMax Speech 2.8 HD vs Seed Speech 2.0MiniMax Speech 2.8 HD vs Grok TTSMiniMax Speech 2.8 HD vs MiniMax Speech 2.8 Turbo