MiniMax Speech 2.6：终极语音智能体已到来

访问 API

立即体验音频

今天，我们激动地推出 MiniMax Speech 2.6——这是我们最新的语音模型，带来了全方位的升级，包括

超低延迟、增强的格式处理能力，

以及更加

自然、逼真的

语音，专为语音智能体场景打造。

自发布以来，MiniMax Speech 凭借其卓越的语音技术和极高的性价比，已成为全球语音智能领域的基础设施核心组件。

从为 ChatGPT 高级语音模式提供支持的 LiveKit、GitHub 上流行的开源框架 Pipecat，到 YC 孵化的语音平台 Vapi，均选择 MiniMax Speech 作为其底层技术引擎。在智能硬件领域，诸如 Haivivi Bubble Pal、Fuzozo 和 Rokid Glasses 等创新产品，同样由 MiniMax Speech 驱动，以实现其自然的语音交互体验。

MiniMax 持续通过技术创新推动新型生产力，打破语言与文化的壁垒，提供自然流畅的交互，连接世界各地的每一个声音。

1. 超低延迟，响应更迅速：实现更流畅的整体交互

我们全面优化了音频生成管线，实现了低于 250 毫秒的端到端延迟——达到行业顶尖水平。在实时对话等对响应时间要求严苛的场景中，音频生成不再是瓶颈，确保了更流畅的整体交互体验。

聆听 Speech 2.6 扮演 AI 客服智能体的效果：

AI 客服

2. 无缝处理特殊格式，更智能：实现更流畅的信息传递

Speech 2.6 现在能直接转换多种语言中的非标准文本格式，包括 URL、电子邮件地址、电话号码、日期和货币金额。无论你是将其与大语言模型配合使用，还是需要在业务中处理动态变化的实体信息，都无需再进行繁琐的文本预处理。输入内容从一开始就能被正确朗读，从而实现更流畅的信息传递。

例如，要正确朗读以下段落，传统 TTS 需要进行一系列转换：

• +1 415 415 9921 → “加一，四一五，四一五，九九二一”
• $1,234.56 → “一千二百三十四美元五十六美分”
• 192.168.1.1 → “一九二点一六八点一点一”
• 2032-5-6 → “二零三二年五月六日”
• support-vip@technet.com → “support 横杠 vip at technet 点 com”

复杂格式段落处理

原文：

“你好，Oliver Smith，我是你的智能虚拟助手 Max！感谢你的来电。我已找到你的档案。电话号码 +1 415 415 9921 的未结余额为 $1,234.56。关联的 IP 地址是 192.168.1.1。你的下一期付款应于 2032-5-6 前支付。如有任何疑问，请联系 support-vip@technet.com。”

3. 更高的自然度与 Fluent LoRA：实现更流畅的语音表达

除了进一步提升韵律自然度，Speech 2.6 还引入了 Fluent LoRA。

Speech 2.5 已经提供了便捷、高保真的声音克隆功能，允许用户保留原始声音的独特特征，例如口音和说话习惯。这一能力满足了真实应用场景中多样化的语音需求。

现在，你在克隆声音时不再需要担心源素材不完美。即使录音带有口音或不流畅的非母语录音，Fluent LoRA 也能完美复刻声音的音色，同时生成与目标文本匹配的流畅、自然的语音，让你的语音表达更加清晰。

除了视频中展示的英文示例外，该功能支持在该模型所支持的 40 多种语言中实现声音克隆的一键流畅化。以下是一个日语场景的示例：

原始录音

未使用 Fluent LoRA

使用 Fluent LoRA 优化后

Speech 2.6 现已全面上线。欢迎试用：

MiniMax 开放平台：

https://www.minimax.io/platform_overview

MiniMax Audio：

https://www.minimax.io/audio

智能与每个人同行。