Speech-02是MiniMax公司研發的語音大模型，具備文生音、聲音參考兩大核心功能，支持粵語、法語等32種語言的無縫切換。2025年5月20日，該模型在Artificial Analysis和Hugging Face TTS Arena兩項國際評測中超越OpenAI、ElevenLabs等產品，登頂雙榜榜首。
模型採用AR Transformer與Flow-VAE組合架構提升語音生成質量。支持語音情感、語速、音高及語種的實時控制，字錯率（WER）較ElevenLabs降低30%，語音相似度（SIM）接近真人水平。可套用於智慧型客服、遊戲NPC動態語音生成等場景。
Speech-02於2025年5月正式發布，其前代產品Speech-01支持17種語言並已於2023年推出。商用定價為ElevenLabs同類產品的四分之一，已與閱文集團、高途教育等企業合作，套用於教育學習機、汽車智慧型座艙等硬體場景。MiniMax通過港交所上市聆訊。
基本介紹
- 外文名：Speech-02
- 類型：語音大模型
- 發布時間：2025年5月
- 研發公司：MiniMax公司
發展歷史,功能介紹,商業套用,技術架構,
發展歷史
2023年，MiniMax推出國內首個基於Transformer架構的語音大模型Speech 01。2024年，MiniMax升級了Speech 02，綜合性能躍居全球第一，力壓OpenAI、ElevenLabs等國際巨頭。2025年5月20日訊息，MiniMax發布的新一代語音大模型Speech-02，在國際最權威的兩項語音評測榜單Artificial Analysis和Hugging Face TTS Arena 上，力壓OpenAI、ElevenLabs等國際巨頭，榮登雙榜榜首。
功能介紹
基於超強技術與足夠泛化的模型能力，Speech-02為用戶帶來超擬人、個性化、多樣性的語音服務。Speech-02通過“文生音”功能給定自然語言文本描述生成符合描述的音色；通過“聲音參考”功能，對任意給定語音實現靈活控制，進行感情、語速、音高、語種等無縫切換；同時支持粵語、葡萄牙語、法語等32個語種，甚至在同一段語音里也可以實現多個語種間的自如切換。
商業套用
支撐ChatGPT高級語音模式的 LiveKit、GitHub 熱門開源框架 Pipecat、YC 孵化的語音平台 Vapi，都選擇 MiniMax Speech 作為底層技術引擎。智慧型硬體領域，Haivivi、Bubble Pal、Rokid Glasses等新銳產品，也靠它實現自然語音互動體驗。截至目前，MiniMax 語音模型已幫助用戶生成超過 2.2 億小時的語音，成為全球 Top 2 大規模商用的語音大模型。
技術架構
Speech-02採用AR Transformer與Flow-VAE組合架構提升語音生成質量。支持語音情感、語速、音高及語種的實時控制，字錯率（WER）較ElevenLabs降低30%，語音相似度（SIM）接近真人水平。
