支持模型
以下为 MiniMax 提供的语音模型及其特性说明。支持语言
MiniMax 的语音合成模型具备卓越的跨语言能力,全面支持 40 种全球广泛使用的语言。我们致力于打破语言壁垒,构建真正意义上的全球通用人工智能模型。 目前支持的语言包含:文本归一化
控制语音合成前如何将书面文本转换为口语文本。 文本归一化会把书面写法转换为更适合朗读的形式。例如数字、日期、时间、货币、电话号码等结构化表达,往往需要结合上下文进行展开或解读。 不传text_normalization_mode 时,沿用 voice_setting.text_normalization 的设置(默认关闭)。
通过 text_normalization_mode 字段控制归一化策略:
basic:基于规则的快速文本归一化,延迟低quality:采用 LLM + 规则的混合方案,归一化质量更高,但会增加额外延迟
Basic 模式
basic 面向低延迟的文本归一化。
它使用基于规则的归一化系统,在生成语音前处理常见的书面表达。
对于大多数语音合成请求,basic 能在归一化质量、稳定性和延迟之间取得良好平衡。
Quality 模式
quality 适用于归一化质量比延迟更重要的场景。
它采用 LLM + 规则的混合方案,系统会根据输入文本自动将请求路由到规则分支或 LLM 分支。
与 basic 相比,该模式对更复杂、更依赖上下文的输入有更好的归一化效果。
quality 目前仅对非流式 HTTP 请求(stream=false)生效,且仅支持 speech-2.8-hd、speech-2.8-turbo、speech-2.6-hd、speech-2.6-turbo。流式请求(包括 WebSocket)或其他模型传入 quality 时按 basic 处理,不会报错。延迟
quality 会增加额外的预处理延迟:
- 选择规则分支时约 30 ms
- 触发 LLM 分支时约 100 ms
如何选择
大多数应用推荐使用basic。
当归一化准确性更重要、且可以接受额外的预处理延迟时,使用 quality。
接入地址
同步语音合成的 3 个接口均支持以下域名,华北地区建议接入api-bj.minimaxi.com,首包延迟更低。
流式请求示例
本指南指导,流式播放返回的音频文件,并保存完整音频文件。 ⚠️ 注意,为实时播放音频流,需要先安装 mpv 播放器。并且,需要先将密钥信息写入环境变量MINIMAX_API_KEY(配置方法)。
请求示例
推荐阅读
同步语音合成(HTTP)
通过 HTTP 请求一次提交完整文本并返回合成音频,支持流式输出。
同步语音合成(WebSocket)
通过 WebSocket 连接由客户端按句发送文本,流式返回合成音频,适合低延迟的实时播报。
双向流式语音合成(WebSocket)
通过 WebSocket 连接按任意粒度(含逐字)流式发送文本,由服务端自动攒句合成,适合对接大模型流式输出。
产品定价
各模型的定价说明、计费方式及使用限制。
速率限制
为保证资源的高效使用,引入速率限制,以确保服务的可用性、稳定性。