MiniMax Speech 2.8 Turbo — лучший первый выбор для взрослого повествования и диалога между персонажами: $0.072 за 1000 символов против $0.12 у HD. У обеих версий одинаковые 472 системных голоса и одинаковые настройки подачи. По нашим тестам сентября 2026 года обе читают откровенные взрослые сценарии слово в слово и исполняют звуковые теги вроде (breath) и (gasps), а не произносят их вслух.
Разрыв в качестве невелик. На арене слепого прослушивания Artificial Analysis HD набирает около 1173 Elo, а Turbo — около 1153, и их доверительные интервалы пересекаются. HD стоит на две трети дороже за это преимущество, поэтому начинайте с Turbo и переводите отдельную строку на HD только тогда, когда слышите конкретную проблему — например, натянутую формулировку или неловкий эмоциональный поворот.
Сравнение цен и возможностей
Оплата идёт за символ, включая пробелы, знаки препинания, переносы строк и встроенные звуковые теги, без округления до 1000: строка в 115 символов стоит $0.0083 на Turbo и $0.0138 на HD.
| Параметр | Speech 2.8 Turbo | Speech 2.8 HD |
|---|---|---|
| За 1000 символов | $0.072 | $0.12 |
| Максимальный запрос: 5000 символов, примерно от 6 до 7 минут речи | $0.36 | $0.60 |
| Десятиминутное повествование, примерно 7750 символов в 2 запросах | $0.56 | $0.93 |
| Системные голоса | 472 | 472 |
| Эмоция, скорость, высота тона, громкость, словарь произношения | Доступно | Доступно |
| Аудио по умолчанию | Моно MP3, 32 кГц | Моно MP3, 32 кГц |
| Другие форматы | WAV, FLAC, сырой PCM | WAV, FLAC, сырой PCM |
Задача Turbo и задача HD — асинхронные генераторы с одним голосом, поэтому ни одна из них не подходит для голосового агента реального времени. Клонирование голоса, которое предлагает собственный API MiniMax, на этих маршрутах недоступно, как и массив из нескольких дикторов: для двух персонажей нужны два запроса и склейка аудио. Сгенерированное аудио хранится 14 дней, поэтому скачайте то, что планируете использовать.
Сценарии для взрослых и звуковые теги
Обе версии читают откровенный взрослый словарь ровно так, как он написан, — и в прямых фрагментах, и в повествовании в духе аудиокниги, ничего не пропуская и не обрезая. Фрагменты, насыщенные указаниями вроде (breath), (pant), (groans) и (gasps), вернулись с этими звуками, исполненными, а не произнесёнными как слова.
Документация MiniMax перечисляет 19 тегов для Speech 2.8: (laughs), (chuckle), (coughs), (clear-throat), (groans), (breath), (pant), (inhale), (exhale), (gasps), (sniffs), (sighs), (snorts), (burps), (lip-smacking), (humming), (hissing), (emm) и (sneezes). Впишите тег в text там, где должен прозвучать звук. Сценарий для примера с поддразниванием на Turbo начинается с (laughs); в сценарий ночного голосового сообщения HD входит (sighs). Прослушайте примеры, чтобы оценить, как звучат эти указания.
Полезный первый текст на вход
Для вымышленного взрослого персонажа, который отправляет игривое голосовое сообщение, вставьте это в поле input задачи Turbo (Playground на странице модели принимает те же поля):
{
"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"
}Это стоит $0.0083 на Turbo и $0.0138 на HD. У MiniMax нет свободного текстового поля instructions, и API его отклоняет; направление задаётся голосом, значением emotion и числовыми регуляторами. Calm_Woman — голос по умолчанию, а Deep_Voice_Man — ещё один системный идентификатор для более низкого мужского голоса. Выбирайте другой пресет, когда нужен другой тембр; понижение тона на октаву не заменяет подбор подходящего голоса.
Чтобы сравнить с HD, оставьте ровно этот вход и поменяйте только модель. Если вы одновременно поменяете сценарий или голос, вы уже не сможете понять, что именно дала смена модели.
Регуляторы, которые меняют подачу
| Регулятор | Диапазон или варианты | Полезное первое решение |
|---|---|---|
emotion | neutral, happy, sad, angry, fearful, disgusted, surprised | Начните с neutral; happy может сделать игривую реплику живее |
speed | от 0.5 до 2; норма — 1 | Попробуйте 0.9, если реплика звучит слишком торопливо |
pitch | от -12 до +12 полутонов; норма — 0 | Оставьте 0, пока не выбрали голос |
volume | от 0.1 до 10; норма — 1 | Оставьте 1; итоговые уровни выставьте в редакторе |
language | по умолчанию auto; 40 языков, включая en, es, ja, ko | Задайте его для коротких или смешанноязычных сценариев; текст он не переводит |
english_normalization | Логическое значение; по умолчанию false | Включите для чисел и дат в английской прозе |
emotion действует на весь запрос. Если персонаж переходит от игривого к испуганному, сгенерируйте эти фрагменты отдельно с тем же voice_id и разными значениями эмоции, а затем соедините их.
Если голос упорно неверно читает имя, добавьте запись в словарь произношения, а не меняйте персонажа:
{
"text": "Good evening, Celine. I was hoping you'd call.",
"voice_id": "Calm_Woman",
"language": "en",
"pronunciation_dict": [
{"alias": "Celine", "pronunciation": "seh LEEN"}
]
}Словарь принимает до 100 записей. alias — это написание в вашем сценарии, и оно не может содержать косую черту. pronunciation может быть просто переписанными словами или IPA в скобках, например (rɪˈzjuːm). На цену это не влияет.
Выберите подходящий формат аудио
Используйте MP3 для веб-превью и WAV или FLAC для дальнейшей обработки. Битрейт MP3 составляет 32 000, 64 000, 128 000 (по умолчанию) или 256 000 бит в секунду и применяется только к MP3. Частота дискретизации — 8 000, 16 000, 22 050, 24 000, 32 000 (по умолчанию) или 44 100 Гц; выбирайте 44 100, только если это нужно вашему проекту обработки, потому что более высокая частота не исправляет неверно произнесённую реплику.
Сырой PCM — это 16-битное аудио little-endian без заголовка, которое браузеры не могут воспроизвести. Выбирайте WAV, если только ваша программа уже не знает частоту дискретизации и число каналов. audio_channels принимает mono или stereo; стерео не раскладывает разных персонажей по отдельным дорожкам.
Исправьте проблему, которую вы действительно слышите
| Проблема | Первое исправление |
|---|---|
| Произносится производственная пометка | Уберите её из text; в текст идут только перечисленные выше теги |
| Имя персонажа звучит неверно | Добавьте запись в словарь произношения |
| Игривая реплика звучит сердито | Поставьте emotion в neutral или happy; слова и голос оставьте без изменений |
| Два персонажа звучат одним голосом | Генерируйте каждую реплику со своим voice_id; подписи дикторов в одном текстовом поле не переключают голос |
| Клип звучит слишком торопливо | Попробуйте скорость 0.9 или сократите слишком перегруженную фразу |
| Вдох поставлен неудачно | Переставьте или уберите этот тег вместо смены модели |
| Аудио искажено после сильного подъёма громкости | Верните громкость к 1 и доведите готовый файл в своём редакторе |
Для проекта из десяти сцен по 2000 символов в каждой один проход по Turbo стоит $1.44, а один проход по HD — $2.40. Перегенерация одной строки в 200 символов стоит $0.0144 на Turbo или $0.024 на HD, так что исправить одну строку намного дешевле, чем покупать второй полный проход.
Начните с Turbo, решайте проблемы подачи регуляторами выше и отправляйте на HD только те строки, которые всё ещё звучат неверно. Если вам нужен референс голоса или другая модель ценообразования, посмотрите сравнение API синтеза речи без цензуры.
