怪怪的TTS
前段时间，我把公众号的作者音色朗读给关了。
虽然听起来是我的声音，但总感觉怪怪的，比如蹩脚的英文发音，莫名其妙的停顿，以及偶尔给你来个突兀的语调变化。
有时候我自己开车听文章，都会被吓得一激灵。我不禁在思考：这是我吗？
索性，干脆就关了。
直到最近，我体验到另一个TTS（Text-To-Speech，文本转语音）模型，这才改变我对AI配音的看法。
这是我随手生成的片段，现在已经这么强了吗？
停顿、语调变化、情感表达都非常自然，完全就像是一个真人在说话一样。
体验地址（需要魔法）：
https://www.minimax.io/audio
如果用上声音克隆功能，则会更NB。
卧槽，强！
又是Ta
我仔细了解了下，这个TTS模型居然又是他们家：
MiniMax。
对，就是之前给大家介绍过，在视频领域大杀四方的海螺AI的母公司。
最近，他们又发布了全新的音频模型Speech-02。
如果是在网页端打开MiniMax Audio，会看到有2个模型：Speech-02-hd、Speech-02-turbo。
hd擅长音色复刻，也就是声音克隆。turbo擅长小语种，支持全球24种语言。2个模型都拥有出色的韵律和稳定性。
这里，给大家放3段音频（中文、粤语和日语），大家可以听下。
我感觉，已经完全分不出AI味了，就像是真人配音一样。
这是MiniMax Audio的界面，非常之简洁。
选择模型，选择音色（官方音色库/自己音色），然后点击Generate生成。
优先推荐大家使用海外版，国内版Speech-02模型还没有上线，也不支持声音克隆。
左边国内，右边海外
国内版：https://hailuoai.com/audio
海外版：https://www.minimax.io/audio
总结了下，MiniMax Audio跟其他TTS相比，有着这些亮点：
1）顶尖TTS技术。基于自研模型，精通30+语种，预设300+音色库，可快速将文字转为流畅自然的语⾳。尤其是中、粤、英、日、韩和阿拉伯语语种，效果非常出色，⼈机难辨。
2）高精度声音克隆。最低10秒就能快速克隆人声，语音逼真，音色细腻，情感表达丰富。
3）音色效果丰富。提供回声、电音、低沉或清亮等音色场景，还能指定输出语⾔、情绪、音量、音调和速度，满足用户多样化需求。
4）功能全面。最长支持20万字输入，支持文档/网页链接生成音频，可轻松创作有声书和播客。
5）高性价比。每天登录免费领4000积分（可制作5分钟音频），也支持API调用，便利企业和开发者。
一手体验
下面，我带大家来一手体验下MiniMax Audio的声音克隆功能。
这里，我们以周董为例。先去网上找了一些周董的采访片段，然后用剪辑软件把音频部分（音质一定要好，发音清晰，情绪丰富）单独导出来。
然后打开MiniMax Audio网站，在左侧导航栏选择Voices（音色库），然后点击Create your Voice Clone（创建你的克隆声音）。
点进来之后，按步骤上传音频、音色命名、选择语言以及同意服务协议。
音频素材可以上传语音，也可以直接录音。时长支持10~300秒，建议最好在30秒左右，人声情感越丰富越好。
然后，点击Convert（克隆），模型就开始克隆声音了。大概10秒左右，完成克隆。
最后，我们前往Text to-speech界面，输入文本，选择刚克隆的Jay音色，点击“Generate”一键生成。
NB，周董叮嘱各位的三连视频这就生成好了。
我们再复刻一下星爷的粤语音色，非常的地道，非常的流畅。
台词：喂！这个世界真的很搞笑啊，你当它是真的时候它就假，你当它是假的时候呢——啪！被雷劈中！我妈说过，人生就像一盒巧克力，但我打开晚了，全都化掉了！其实呢，我是个演员，虽然每天跑龙套也要吃饭啊。咦？你的发型很有个性哦，哪儿剪的？火星发廊还是木星烫发？
再看下志玲姐姐的效果。
这……可以说是神似了。
我觉得，这就是目前最强的中文TTS，没有之一。
过去，很多同类产品水土不服，中文错字离谱，口音奇怪，甚至还有股“大佐”味。
而MiniMax Audio，有着顶尖的准确度+地道的中文口音，完美地填补了中文TTS的空白，推动中文的表达话语权在世界崛起。
这让我想到了周董说的那句话：
写在最后
不仅如此。
这款TTS工具，同样也在海外大火，很多外网博主自发推荐。
比如，@Uc Gwen 就用MiniMax制作了一个多语言数字人视频，目前已经有3w播放量、1.8k点赞。
完整版视频在此。
就连MiniMax自己的推文，都有400w的浏览量。
不得不说，作为国产AI，MiniMax在海外是真的NB。
体验地址：https://www.minimax.io/audio
API入口：https://minimax.io/platform
进入2025年，MiniMax保持着强劲的姿态。先是1月，发布并开源了MiniMax-01语言模型；随后，带着全新的视频模型（T2V、I2V）而来；最近，又上新了自己的TTS音频模型。
从文本、视频到音频的全面更新，MiniMax一直在给我们惊喜。
这背后，既是他们对技术的长期投入，也是对AGI的锲而不舍。
