发现 Minimax 更新了 Speech-02 音频模型 试了一下现在咋这么强！ 训的我自己的语音模型我已经分不出来了 你现在拿一段我的音频问我是不是我说的，我都迷糊 👇下面是详细的测试内容：

全文在这里，懒得等施工🚧 可以看：

Speech-02 在Artificial Analysis 的 ELO 评价榜单上吊打 Open AI 和 ElevenLabs 一众海外音频模型。 基本上霸榜了。Hugging Face上，不出意外，也是第一名的成绩。

MiniMax在Github发布Speech-02语音模型报告，核心创新是可学习说话人编码器，无需音频转录即可提取音色。 主要能力： 仅需十几秒音频实现高质量声音克隆 跨语言音色迁移，适合内容出海 高可扩展性，单一模型支持多种下游任务 结合自然语言描述生成定制音色，如为小说角色配音 目前B端可API测试，个人用户尚未开放。

模型能力测试 Speech-02 依旧延续了 01 的传统优势，有丰富的预设音色选择，同时每个音色还有丰富的情感选项，基本上这些已有的音色+情感+其他选项调节能够搞出大部分需要的人设和音色。 我这里整了个小活，找了一个小说中的对话，做了一个类似游戏的小场景，可以看到还是调整出来的还是非常符合人设的，比如 17 岁来应聘男公关的声音和 KTV 故作深沉准备压价的面试官。

之后是 Speech-02 最基本的准确率问题 大家听过 AI 语音的都知道，生僻字读音和多音字读音是非常难得事情，有的时候 AI 读错了真的很出戏。 我这次直接给了一个终极难题，搞了一段连贯的，但是包含非常多生僻字和多音字的内容，真的里面很多字我都得查拼音。 没想到 Speech-02 这次居然一个字都没错，太强了，你可以跟着下面的音频听一下。

这代模型语言多样性也变强了 支持30多个语种；单语种的情绪、音色多样性表现在 01 版本的时候已经很强了，这里整个高难度的多语言混合文案。 里面主体是中文，包含了英语、西班牙语、日语、法语、俄语、德语，文案让 o3 生成的，非常离谱。 没想到 Speech-02 居然生成的还不错，虽然偶尔一两个读音不够特别标准，但已经强的没边了，让人在没准备的情况下读估计能搞定的没几个。

Speech-02 的老牌强势能力 声音参考 我这里上传了我自己的一段语音做了个自己的声音模型，然后找了一段自己之前的其他录音，转成文字之后让 Speech-02 生成了一下，做了个对比。 我找我周围的同事听了一遍，他们没有一个可以听出这是生成的声音，他甚至学到了我的说话停顿节奏和口癖，还有语气词，非常邪门。 下面是两段话的对比，你随便拿出生成的来问我，我要是不记得的话，自己都够呛能分清是不是我说的。

另外前面看技术报告的时候发现，现在 Speech-02 声音和语言是解耦的，也就是说可以用经过声音参考后的模型去生成别的语种的音频。 这里我随便找了一段英文推特文案让自己的模型读了一下，哈哈，真的有我自己读英语的那个味道，停顿节奏、语气也都能对上，这下是不是录视频的时候可以用字幕转英文视频内容了。

上面就是这次测试的全部内容了，期待那个通过提示词自定义音色的功能早日全量上线，感觉应用场景非常广泛。 音频内容生成一直是AI领域中较被低估的一环，但实际上它的重要性不可忽视。在日常生活中，我们有相当多的时间只能通过听觉来获取信息；而在视频创作中，高质量的音频同样是决定内容质量的关键因素。 MiniMax敏锐地抓住了这一市场需求，通过持续迭代已经在技术表现上超越了ElevenLabs和OpenAI等国际平台。与通用LLM不同，高质量的中文音频生成需要深度的本土化研发，这正是我们的技术发展优势所在。

Which Machine Learning model delivers stronger trading results? Check out this free Substack post where I compare several powerful models that beat the market and show yearly returns of over 20%.

藏老师，我想学习制作双人播客和多人的广播剧，请问文字转音频这部分该从哪儿入手，我看 minimax 网页端比较简单，用 api 有找不到合适的教程，包括预设不同角色的声音，时间轴运用，每段文字的语气语调运用等等。希望能得到您的指导，谢谢 ！

这么详细的长文编排好像只有 elevenlabs 有