MiniMax 釋出 Speech-02 語音模型：支援單次 20 萬字輸入與亞秒級流式輸出

MiniMax 宣佈推出新的語音模型 Speech-02。

20 萬字塞進一條音訊

這次最大的看點是吞吐量和長文本能力，單次輸入最高支援 20 萬字符。你可以直接扔給它一個檔案或者網頁連結，快速轉成有聲書或播客。

效能方面，新模型支援 30 多種語言，具備亞秒級流式響應速度，官方還強調支援無限聲音克隆。

為什麼重要

長文本一直是文本轉語音（TTS）的痛點。過去做一整本有聲書或長播客，通常需要拆分成大量段落分別生成再拼接，費時且情緒容易割裂。

MiniMax 把單次輸入拉到 20 萬字符，看起來是想直接解決長音訊製作的門檻。對於播客創作者和數字出版團隊來說，直接喂連結或文件就能出成片，省去了大量工程預處理。

我們認為，TTS 領域的比拼正在從單純的音質逼真，轉向長文本連貫性與低延遲生成效率的綜合對決。不過無限克隆功能的濫用風險，依然需要看後續配套的安全與防偽機制。