幾個(gè)月前，我寫(xiě)過(guò)一篇 MiniMax 的 AI 聲音模型。

我說(shuō)，那就是當(dāng)時(shí)最強(qiáng)的中文 AI 音頻。數(shù)據(jù)也有點(diǎn)小爆。

而在去年 12 月之后，至今將近半年時(shí)間，在 AI 聲音模型這塊，我覺(jué)得還是沒(méi)有能超越 MiniMax 的。

直到昨天，我看到 MiniMax 在 X 上發(fā)了他們新一代聲音模型的技術(shù)報(bào)告，Speech-02 來(lái)了?？磥?lái)想突破 Speech-01 的上限，還是得他們自己。

不過(guò)就是這數(shù)據(jù)是真的慘淡，看來(lái)大家最近關(guān)注的都是 Agent、MCP，AI 音頻關(guān)注的人，是真的少。。。

我大概翻了一下，跑分確實(shí)牛逼不少，主要是 WER 和 SIM 這兩數(shù)據(jù)。

兩個(gè)維度，左邊是 WER，越低越好，代表這個(gè)模型講出來(lái)的話，有多準(zhǔn)確。右邊是 SIM，越高越好，代表這個(gè)模型講出來(lái)的聲音，有多像原聲。

你可以簡(jiǎn)單的理解成，左邊看的是 AI 說(shuō)的對(duì)不對(duì)，右邊看的是 AI 像不像本人。

WER 的數(shù)據(jù)，除了一些歐美的小語(yǔ)種，主流語(yǔ)種幾乎都?jí)毫四壳笆澜绻J(rèn)最被推崇的 11Labs 一頭，特別是周邊的亞洲國(guó)家，日本、越南、泰國(guó)，幾乎都是純碾壓姿態(tài)，所有語(yǔ)種的 WER 指標(biāo)幾乎平均都在 1~4 之間，很牛逼，他們這是正兒八經(jīng)在多語(yǔ)種上發(fā)力了

而音色相似度上，上一代其實(shí)做的沒(méi)有 11labs 好，海外的很多反饋都是聲音沒(méi)有 11Labs 像，但是這一次，實(shí)現(xiàn)了全面超越，32 個(gè)語(yǔ)種，每一個(gè)在跑分上都比 11Labs 要強(qiáng)，我自己實(shí)測(cè)，也能明顯感覺(jué)到，相似度已經(jīng)比 11labs 好了。

我又去看了一下 AI 音頻領(lǐng)域的盲測(cè)競(jìng)技場(chǎng)。

意外的發(fā)現(xiàn)。

MiniMax 這個(gè)新模型。

登頂了。。。

現(xiàn)在，這個(gè)新模型，MiniMax Speech-02，已經(jīng)可以在 MiniMax 官網(wǎng)用了，目前只有海外版有聲音克隆，別問(wèn)我為什么只有海外版有。

網(wǎng)址在此： https://www.hailuo.ai/audio

我隨手用 MiniMax+即夢(mèng)大師版，搓了一個(gè)有趣的郭小綱動(dòng)畫(huà)，給大家直觀的感受一下，MiniMax 的 Speech-02 有多強(qiáng)。

我就扔了一段不到 1 分鐘的原聲進(jìn)去復(fù)刻，說(shuō)實(shí)話，這音調(diào)，這起伏，這音色，強(qiáng)的有點(diǎn)不像話了。

我第一次聽(tīng)到的時(shí)候，真的感覺(jué)真假難分。

不僅郭小綱，還能讓，周小倫，來(lái)夸一夸我。

太像了。

你閉著眼睛，你是真的能感覺(jué)到，是周董，在你面前揮舞著手臂，用那獨(dú)特的強(qiáng)調(diào)跟你說(shuō)，你還挺屌的。

還有之前艾爾登法環(huán)，預(yù)告片里面菈妮的配音我一直很喜歡。

我也讓 MiniMax 復(fù)刻了一下。

這是上一代 Speech-01-hd 的效果。

而這是，Speech-02-hd 的效果。

我相信，一定能非常輕松的感受到，情緒的差距。

說(shuō)說(shuō)咋用。

進(jìn)入 Minimax 的 Audio 官網(wǎng)后，點(diǎn)擊左邊的 Voices。

免費(fèi)用戶，可以免費(fèi)克隆 3 個(gè)聲音。

我是開(kāi)了 5 刀的會(huì)員，所以可以創(chuàng)建 10 個(gè)。

點(diǎn)進(jìn)去以后，直接上傳你的素材，然后正常命名，選素材的主語(yǔ)言就行，超級(jí)簡(jiǎn)單。

上傳的語(yǔ)音最少上傳 10s 的音頻片段就可以克隆了，不過(guò)這個(gè)樣本其實(shí)不是特別夠，所以我一般推薦音頻素材最好在 30s 左右，當(dāng)然你也可以更長(zhǎng)，不過(guò)一般不需要超過(guò) 5 分鐘。

然后只需要十幾秒，一個(gè)新鮮的聲音模型，就克隆好了。

后續(xù)使用的時(shí)候，直接在右邊的聲音選擇界面里面找到自己的 tab，正常使用就行。

一代的時(shí)候，這個(gè)聲音模型，只支持 12 種語(yǔ)言，分別是：

中文、粵語(yǔ)、英語(yǔ)、韓語(yǔ)、日語(yǔ)、印尼語(yǔ)、西語(yǔ)、葡語(yǔ)、法語(yǔ)、意大利語(yǔ)、俄語(yǔ)、德語(yǔ)。

但是這一次的 2 代，支持了 32 種語(yǔ)言。

而且在混合語(yǔ)種上，有更好的效果了。

比如我之前看到一個(gè)非常有意思的挑戰(zhàn)。

文字是這樣的：

“皆さん，我在網(wǎng)絡(luò)上面看到有 someone 把三個(gè)國(guó)家的 language 混在一起去 speak。我看到之后 be like これは我じゃないか，私も try one try です”。

非常離譜。

我克隆了我自己的聲音，然后去試著念了一下。

這是上一代 Speech-01-hd：

我保證，你聽(tīng)完以后也不知道它到底念了個(gè)啥，我就聽(tīng)到一個(gè) Speak。。。

再來(lái)聽(tīng)聽(tīng) 2 代的。

雖然日文那還有一點(diǎn)奇怪，但是，已經(jīng)是能完整的區(qū)分出來(lái)念的明明白白的了好吧，這已經(jīng)是，史詩(shī)級(jí)進(jìn)步了。

我又搞了一個(gè)更復(fù)雜的，小皇四郎。

文本是這樣的：

“媽的，最煩裝逼的人了。剛回國(guó)，問(wèn)他論文咋樣，他說(shuō)：

“我要 restructure 一下 framework?！?/p>

我翻了個(gè)白眼，結(jié)果他又來(lái)一句：

“Ah non, pas de sucre, merci~”

然后切日語(yǔ)：「これはマジでイラっとするわ?」

再來(lái)西語(yǔ)：“?Qué pesado! Pero suena perfecto.”

最后還補(bǔ)一句英語(yǔ)：“Seriously. Stop pretending you’re special.”

我都想說(shuō)：你到底是人，還是 AI？

哦，他是 MiniMax Speech two，新模型?！?/p>

真的，實(shí)在太好玩了。

雖然最后的中文，念的還是冒出了翻譯腔，但是進(jìn)步已經(jīng)巨大了。

而且，還有一個(gè)超級(jí)屌的點(diǎn)是，他們?cè)谥v故事的場(chǎng)景中，如果你只用一個(gè)聲音的話，在一些不同角色那里，它甚至?xí)胁煌囊粽{(diào)變化和情緒變化。

這是我的一份故事文稿。

我直接讓 Speech-02-hd 一鍵直出，然后我自己稍微剪了下，加了點(diǎn)音效，大家可以聽(tīng)一聽(tīng)這個(gè)情緒，還有角色的變化。

文稿中標(biāo)黃的那幾句，大家應(yīng)該能明顯的聽(tīng)出來(lái)，是刻意壓低了音調(diào)，改了情緒。這可不是我處理的，是 MiniMax 直出的，這就非常牛逼了。

除了 C 端產(chǎn)品之外，我看了一眼 API，發(fā)現(xiàn)，他們已經(jīng)第一時(shí)間把 Speech-02 給支持了。

甚至，MCP 也弄好了。

現(xiàn)在，你可以在任何 Agent 產(chǎn)品里，也可以接入這個(gè)逼真到爆炸的語(yǔ)音模型了。

我們也可以自豪的說(shuō)一聲。

之前，中文 AI 語(yǔ)音，我們做到了世界最強(qiáng)，但是現(xiàn)在，可以把中文去掉了，整體上，我們都已經(jīng)做到了世界最強(qiáng)。

這是一個(gè)被所有人低估的戰(zhàn)場(chǎng)。

大家都在盯著誰(shuí)做出第一個(gè)像人一樣思考的 Agent，卻沒(méi)看到，那些 AI 說(shuō)話的聲音，其實(shí)早已變得越來(lái)越跟真人無(wú)異。

而且，這一次，還是我們做出來(lái)的。

在 12 月份的那邊 MiniMax AI 音頻的文章中，我在最后寫(xiě)道：

“也許，這就是屬于中文世界的 AI 時(shí)代的序章。而這一切，才剛剛開(kāi)始。”

然后就是波瀾壯闊的春節(jié)。

隨后的故事，大家也都知道了。

一語(yǔ)成讖。

現(xiàn)在的 AI 世界，再也不是英語(yǔ)的獨(dú)角戲了。

我們從配角，走向主角。

然后不僅僅止步于起。

像 MiniMax，也用 AI，給世界，盡可能的帶來(lái)語(yǔ)言平權(quán)。

那些過(guò)去沒(méi)被在意的語(yǔ)言，過(guò)去只能在家族里、在小巷里、在廟宇里才能聽(tīng)到的聲音，現(xiàn)在終于有機(jī)會(huì)，能被世界聽(tīng)見(jiàn)了。

AI 沒(méi)有帶來(lái)統(tǒng)治。

反而是把人類的多樣性。

放進(jìn)了未來(lái)。