MiniMax 发布 Speech-02 语音模型：支持单次 20 万字输入与亚秒级流式输出
MiniMax 推出新一代语音模型 Speech-02。模型支持将任意文件或链接直接转成拟真语音，单次文本输入上限达 20 万字，支持 30 多种语言、无限声音克隆以及亚秒级流式输出，适合制作长音频和播客。
MiniMax 宣布推出新的语音模型 Speech-02。
20 万字塞进一条音频
这次最大的看点是吞吐量和长文本能力，单次输入最高支持 20 万字符。你可以直接扔给它一个文件或者网页链接，快速转成有声书或播客。
性能方面，新模型支持 30 多种语言，具备亚秒级流式响应速度，官方还强调支持无限声音克隆。
为什么重要
长文本一直是文本转语音（TTS）的痛点。过去做一整本有声书或长播客，通常需要拆分成大量段落分别生成再拼接，费时且情绪容易割裂。
MiniMax 把单次输入拉到 20 万字符，看起来是想直接解决长音频制作的门槛。对于播客创作者和数字出版团队来说，直接喂链接或文档就能出成片，省去了大量工程预处理。
我们认为，TTS 领域的比拼正在从单纯的音质逼真，转向长文本连贯性与低延迟生成效率的综合对决。不过无限克隆功能的滥用风险，依然需要看后续配套的安全与防伪机制。
来源 (1)
- @MiniMax__AI（在新标签页打开）原文x.com