MiniMax Speech 2.6

Коротко

Разработчик

MiniMax, Шанхай

Вышла

в октябре 2025 года

На входе

текст до 10 тысяч символов за запуск, для клона нужен образец речи

На выходе

файл MP3

Голоса

34 готовых, из них 7 детских; клоны добавляются к ним

Русский язык

говорит по-русски; телефон +7 в модели HD прочитала верно, даты, суммы, время и нули в номерах лучше писать словами

Особое

паузы нужной длины прямо в тексте, без тегов смеха и вздохов

Цена

от 10 ₽ за 1000 символов

Обычно готово

≈ 10 с после отправки

API

есть, документация

Что умеет версия 2.6: наши пробы

MiniMax выпустила Speech 2.6 в конце октября 2025 года и сделала упор на две вещи: быструю реакцию для голосовых помощников и чтение «трудного» текста. По словам разработчиков, модель сама разбирает номера телефонов, адреса почты, даты и суммы, так что текст не нужно готовить заранее. Примеры в анонсе MiniMax английские, поэтому мы проверили, как это работает по-русски.

Всего мы сделали шесть записей. Слова в каждой сверяли распознаванием речи, а интонацию оно не оценивает, поэтому её лучше послушать самим.

Напоминание с телефоном, почтой и суммой

Мы собрали в одно сообщение всё, что обычно ломает озвучку: сумму с копейками и знаком рубля, дату через точки, адреса почты и сайта, промокод, проценты, телефон и часы работы. Голос Галина, эмоция «Нейтральная», язык «Русский», текст отправили как есть в обе модели:

Телефон модель HD прочитала так, как его диктуют люди: «плюс семь, четыреста девяносто пять, сто двадцать три, сорок пять, шестьдесят семь». У Turbo распознавание «плюс» в начале номера не услышало. Дальше хуже. Дату 15.10.2026 распознавание записало как «пятнадцать целых десять сотых», то есть модель прочитала её как дробь. «Рублей» после суммы распознавание не услышало, на месте знака какое-то невнятное слово, часы работы превратились в «с девять ноль до двадцать один ноль», а промокод слился с процентами в одно длинное число. Значок @ модель прочитала по-английски, «эт», а косую черту в адресе сайта пропустила.

Тогда мы переписали трудные места словами, разделили промокод и скидку на две фразы, а телефон оставили цифрами:

Здравствуйте! Напоминаем об оплате заказа на сумму две тысячи четыреста девяносто девять рублей девяносто копеек до пятнадцатого октября. Квитанция ушла на почту zakaz собака teplydom-shop точка ру, оплатить можно на сайте teplydom-shop точка ру слэш pay. Промокод OSEN25 даёт скидку пятнадцать процентов. Вопросы — по телефону +7 (495) 123-45-67, ежедневно с девяти утра до девяти вечера.

Ошибок не осталось. Распознавание записало как надо рубли с копейками, дату, «собаку», «слэш», промокод отдельно от скидки и часы работы. Запись длится 30 секунд, как и первая, а готова была примерно через 15 секунд после отправки. Вывод для русского текста такой: телефон в привычной записи +7 (…) в модели HD можно оставлять цифрами, остальное надёжнее писать так, как это должно прозвучать.

Сказка с паузой

Длинную начитку мы проверили на начале сказки. Голос Эльвира, модель HD, число сразу написано словами, а перед поворотом сюжета стоит пауза <#1.5#>, то есть полторы секунды тишины:

Жил-был в старом маяке смотритель по имени Фома. Каждый вечер он поднимался на сто двадцать ступенек и зажигал огонь. <#1.5#> Но однажды огонь не загорелся. Фома взял фонарь, спустился к морю и увидел: у самой воды сидит маленький тюлень и держит в зубах его коробок спичек.

Все слова распознавание разобрало без ошибок. Между «зажигал огонь» и «Но однажды» вышло 1,8 секунды без слов: полторы секунды паузы и обычный вдох в конце предложения. Запись на 21 секунду пришла через 9 секунд после отправки.

Чем 2.6 отличается от 2.8 на деле

Голоса, эмоции, языки и лимит текста у двух версий одинаковые. Главное различие в тегах звуков: смех, вздох или кашель в скобках понимает только MiniMax Speech 2.8. Мы проверили, что 2.6 делает с такими пометками. Фраза начиналась с (laughs), а в середине стоял (sighs). Вслух модель их не прочитала. Смеха тоже не вышло: голос заговорил сразу, с нулевой секунды, а на месте вздоха получилась пауза меньше секунды, как между обычными фразами. Символы тегов при этом оплачиваются.

Ещё мы дали 2.6 то же сообщение службы доставки, на котором проверяли 2.8: голос Иван, модель HD. Запись 2.6 длится 24,5 секунды, а запись 2.8 растянулась на 27,2. На тексте про автобус в обзоре нейросетей MiniMax версия 2.6 тоже читала быстрее. Время «10:00» обе версии прочитали как «десять ноль», а ноль в номере 8 800 200-14-07 обе проглотили. Так что совет писать числа словами годится для обеих.

Как это работает

Наверху формы стоит переключатель Режим. Для обычной озвучки оставьте «Озвучить»: дальше идут модель (HD или Turbo), вкладки с голосами, сам голос, эмоция, язык и поле Текст, куда помещается до 10 тысяч символов. Счёт идёт по символам, и кнопка Отправить показывает сумму ещё до запуска. После запуска запись MP3 приходит в ленту под формой. У карточки три кнопки: Скачать сохраняет файл, Изменить возвращает текст и все настройки в форму для правки, а Повторить сразу отправляет то же задание ещё раз.

Второй вариант режима, «Клонировать голос», создаёт голос по вашему образцу. Форма попросит один файл (MP3, WAV или M4A, от 10 секунд до пяти минут, не тяжелее 5 МБ), имя для голоса не длиннее 12 символов и подтверждение, что вы вправе использовать этот голос. Платите за клон один раз. Потом он лежит на вкладке Мои голоса, его можно выбрать и здесь, и в версиях 2.8 и 2.5. Своего голоса для статьи у нас не было, а клонировать чужой без разрешения нельзя, так что этот режим мы не запускали. Как подготовить запись, разобрано в инструкции про клон голоса.

Записи живут в Моих результатах неделю. Нужную надолго перенесите в библиотеку.

Настройки: что ставить

Как писать числа, почту и адреса для 2.6

В русском тексте модель в наших пробах спотыкалась о цифры с точками и двоеточиями, знаки и сокращения. Удобнее сразу писать так:

Паузы пишутся в угловых скобках с решётками: <#0.5#> даст полсекунды тишины. Ставьте их туда, где остановился бы диктор: перед номером телефона, между пунктами голосового меню, перед поворотом в сказке. Если текст длинный, отправьте в Turbo сначала один абзац и проверьте, как звучат имена, названия улиц и термины. Это дешевле, чем переделывать всю запись.

Заготовка для голосового напоминания:

Сколько стоит

За озвучку списывается цена символов, за клон — фиксированная сумма один раз. Символами считаются и пробелы, и знаки препинания, и паузы <#…#>.

Эмоция, язык и ползунки сумму не меняют. Turbo дешевле HD, поэтому для проверки текста берите её.

Для чего подойдёт

• Напоминания и уведомления с телефонами, датами и суммами: запись к врачу, доставка, оплата заказа (трудные места словами, как в нашей пробе).
• Голос для автоответчика и меню «нажмите один» с паузами между пунктами.
• Сказки и рассказы для детей, в том числе детскими голосами.
• Закадровый текст для обучающего ролика или презентации, даже длинный за один запуск.
• Озвучка на английском, испанском, турецком и других из 40 языков формы.
• Новые тексты своим голосом после одного клона.

Ограничения и как их обойти

• Даты через точки, время через двоеточие и знак рубля модель в наших пробах читала неправильно. Как их переписать, показано в таблице выше.
• Тегов звуков нет. Если нужен смех или вздох, переходите на версию 2.8.
• Голос на запись только один. Разговор двух героев проще сделать в Gemini 3.1 Flash TTS, там в поле «Тип генерации» есть вариант «Диалог».
• Клону, как предупреждает форма, нужна чистая речь. Фрагмент ролика с музыкой на фоне подойдёт плохо. Лучше записать голос в тихой комнате.

Версии и альтернативы

У трёх версий Speech общие голоса, эмоции, языки и клоны. От MiniMax Speech 2.5 форма 2.6 отличается только ценой модели Turbo, а главное обещание MiniMax, чтение чисел, по-русски у нас подтвердилось лишь на телефоне +7 в HD. Все три рядом разобраны в обзоре нейросетей MiniMax, а другие озвучки сайта можно сравнить на слух в разделе «Озвучка текста».

Частые вопросы