Speech-02：MiniMax Audio新发布的一款强大的文本转语音（TTS）模型

Speech-02是什么？

MiniMax Audio Speech-02是一款强大的文本转语音（TTS）模型，能够将任何文件或URL瞬间转化为逼真的音频 。它支持高达20万字符的单次输入，覆盖30多种语言，并带有地道口音 。此外，Speech-02还支持无限语音克隆、亚秒级流媒体处理以及多种音频格式（如FLAC、WAV、MP3和PCM） 。

Speech-02模型提供两种版本：speech-02-hd-preview（以99%的语音相似度和工作室级清晰度为特点，适合配音、有声书等需要逼真表现的场景）和speech-02-turbo-preview（在低延迟和高性能之间取得平衡，适合实时应用） 。

语言与语音能力

多语言支持：Speech-02支持30多种语言的文本转语音，包括英语、中文、日语、韩语、法语、德语、西班牙语、葡萄牙语、意大利语、阿拉伯语、俄语、土耳其语、荷兰语、乌克兰语、越南语、印地语、泰语、波兰语、罗马尼亚语、希腊语、芬兰语和印尼语等，且带有地道口音。

语音库丰富：拥有300多个真实自然的声音，支持多种语言的地道表达。

技术性能

单次输入字符数：单次输入支持高达20万字符。

流媒体处理速度：支持亚秒级流媒体处理。

模型版本：包括speech-02-hd-preview和speech-02-turbo-preview。前者以99%的语音相似度和工作室级清晰度为特点，适合配音、有声书等需要逼真表现的场景；后者则在低延迟和高性能之间取得平衡，适合实时应用。

Speech-02功能特性

无限语音克隆：能够以行业领先的质量，快速克隆出多种风格和语调的语音。

语音控制：用户可以轻松控制语音的情感、音量、速度和输出格式。

语音混合：可以将现有的语音组合起来，创造出全新的独特语音。

音频格式支持：支持FLAC、WAV、MP3和PCM等多种音频格式。

Speech-02应用场景

有声书制作：适合将长篇小说、学术论文等转化为高质量的音频内容。

播客创作：帮助播客创作者制作更具吸引力和多样性的内容。

电影与游戏配音：提供电影级低音和沉浸式音频效果。

国际会议与翻译：支持在多种语言之间即时无缝切换。

目前，Speech-02模型已经在MiniMax Audio平台及API平台上线，但国内版尚未推出。

官方链接

MiniMax Audio平台：https://www.minimax.io/audio

MiniMax Audio API平台：https://www.minimax.io/platform