MiniMax Speech 2.8

Коротко

Разработчик

MiniMax, Шанхай

На входе

текст до 10 000 символов или запись голоса для клона

На выходе

запись MP3

Голоса

27 взрослых и 7 детских, плюс ваши клоны

Русский язык

читает по-русски; числа надёжнее писать словами

Особое

семь эмоций, теги смеха и вздоха, паузы нужной длины

Цена

от 10 ₽ за 1000 символов

Обычно готово

≈ 10 с после отправки

API

есть, документация

Что умеет версия 2.8: наши пробы

Для статьи мы озвучили в MiniMax Speech 2.8 семь текстов, ни одного не ждали дольше полуминуты. Все слова мы сверяли распознаванием речи, а подачу советуем послушать самим. Чем 2.8 отличается от версий 2.6 и 2.5, разобрано в обзоре нейросетей MiniMax.

HD и Turbo на тексте с цифрами

Для проверки взяли сообщение службы доставки: номер заказа, дата, время, этаж и телефон, всё цифрами. Голос Иван, эмоция «Нейтральная».

Обе модели ошиблись в одних и тех же местах. Распознавание услышало «три октября» вместо «третьего» и «десять ноль» вместо «десяти», а «7-й» записало как «семь», у HD ещё и с отдельным «е». HD читает медленнее, 27 секунд против 24,5 у Turbo, и делает паузы длиннее. По подсказке формы HD звучит естественнее, а Turbo быстрее и дешевле; сравните сами, нужна ли вам эта разница.

Потом мы переписали те же места словами и снова отправили в Turbo:

…привезём завтра, третьего октября, с десяти утра до двух часов дня. Подъём на седьмой этаж уже оплачен…

Теперь распознавание записало дату, время и этаж правильно. В телефоне «07» распознавание по-прежнему слышит просто «семь», так что ноль в номерах тоже лучше писать словом.

Смех, вздох и пауза в тексте

В отличие от версий 2.6 и 2.5, эта понимает теги звуков. Смех пишут как (laughs), смешок (chuckle), вздох (sighs), вдох (breath), кашель (coughs), а чтобы голос ахнул, нужен (gasps). Пауза записывается как <#1.0#>, где число означает секунды. Голос Валера, эмоция «Удивление», модель HD:

(sighs) Ну всё, я сдаюсь. Третий час ищу ключи от гаража. <#1.0#> (gasps) Подожди-ка… Они что, всё это время висели на гвозде у двери? (laughs) Ладно, никому не рассказывай.

Распознавание не нашло в записи ни одного тега, произнесённого словами. Между «гаража» и «Подожди-ка» почти две секунды без слов, там стоят пауза и (gasps), а перед последней фразой ещё полторы секунды без слов на месте смеха. Звуки без слов распознавание не записывает, поэтому вздох, «ах» и смех стоит послушать самим. Сами теги пишутся латиницей, текст вокруг может быть русским.

Эмоции и детские голоса

Поле Эмоция меняет подачу всей записи. Одна претензия, голос Марина:

Слова в обеих записях одни и те же, а «Злость» уложилась на 0,4 секунды быстрее «Грусти». Насколько различается интонация, решайте на слух. В переключателе Голоса есть вкладка Детские: семь голосов для сказок, обучающих роликов и мультиков. Вот Катя с эмоцией «Радость»:

Мама, смотри, я нарисовала кита! У него синий хвост и целых пять зубов. Можно я повешу его на холодильник?

Как это работает

В поле Режим два варианта. Озвучить превращает текст в запись: выберите модель HD или Turbo, группу голосов (взрослые, детские или свои), голос, эмоцию и язык текста, вставьте текст и нажмите Отправить. Стоимость зависит от длины текста и видна на кнопке заранее. Готовая запись появится в ленте под формой с кнопками Скачать, Изменить (текст с настройками снова окажется в форме, можно поправить) и Повторить (сразу запустить то же самое).

Клонировать голос создаёт ваш голос по записи: файл MP3, WAV или M4A на 10–300 секунд и до 5 МБ, плюс название до 12 символов и отметка о праве использовать этот голос. Клон оплачивается один раз и появляется во вкладке Мои голоса во всех трёх версиях Speech. Клон мы не делали: для него нужна запись своего голоса, а чужой без согласия использовать нельзя. По шагам он описан в инструкции про клон голоса. Через 7 дней записи из Моих результатов удаляются, поэтому удачные стоит перенести в библиотеку.

Настройки: голос, эмоция, модель

• В поле Модель для роликов и аудиокниг берите HD, для черновиков и проверки текста хватит Turbo.
• В поле Голос почти все варианты подписаны русскими именами, особняком стоит только «Робот». Мы пробовали Ивана, Валеру, Марину и Катю, и распознавание разобрало их русскую речь целиком. Остальные перед длинной начиткой послушайте: образец есть рядом с каждым названием.
• Эмоция по умолчанию «Нейтральная», она подходит для большинства задач. Яркие эмоции, по подсказке формы, сильнее меняют интонацию: мы бы оставили их для коротких реплик персонажа, а не для длинной начитки.
• В поле Язык текста для русского так и оставьте «Русский», а не «Авто»: так советует и подсказка формы.
• Переключатель Дополнительно открывает Скорость речи (0,5–2), Громкость (0,1–10) и Высоту голоса (от −12 до 12). Для деловых текстов мы бы трогали только скорость.

Числа, теги и паузы в тексте

Главное правило по нашим пробам — даты, время, порядковые числа и нули писать словами: «третьего октября», «с десяти утра», «на седьмой этаж», «ноль семь». Знак № модель читает как «номер». Теги звуков ставьте там, где звук был бы у живого человека: вздох перед жалобой, смех после шутки. Пауза <#…#> должна стоять между словами, две паузы подряд разработчик не поддерживает. Для длинного текста до 10 000 символов полезно сначала озвучить первый абзац в Turbo и послушать, как звучат имена и термины.

Сколько стоит

Озвучка оплачивается по символам, клон — один раз за голос. Подписки нет.

От эмоции и ползунков сумма не зависит, а теги и паузы считаются как обычные символы текста.

Для чего подойдёт

• Голос для ролика, презентации или обучающего курса, длинный текст за один запуск.
• Реплики персонажей со смехом, вздохами и разной эмоцией для игры или мультфильма.
• Детский голос для сказки или ролика для малышей.
• Озвучка своим клонированным голосом, когда записывать каждый текст некогда.
• Голосовое сообщение для автоответчика или бота, если числа написаны словами.

Ограничения и обходные пути

• Цифры в датах и времени в наших пробах читались с ошибками. Пишите их словами, как показано выше.
• В одной записи один голос. Диалог двух персонажей удобнее собрать в Gemini 3.1 Flash TTS.
• Для клона, по подсказке формы, нужна чистая запись речи без музыки и шума. Запишите голос в тихой комнате, а не берите кусок из ролика.
• В подсказке формы шесть тегов звуков, другие слова в скобках мы не проверяли.

Версии и альтернативы

Голоса, эмоции, языки и клон у трёх версий общие, клон из одной работает в остальных. Рядом со Стандартом, Inworld и Qwen, на общей фразе про библиотеку, версию 2.8 можно послушать в обзоре «Озвучка текста», там же собраны все озвучки сайта.

Частые вопросы