國產MiniMax語音模型橫掃國際舞臺，邁入個性化語音新時代

在人工智能領域的快速發展中，國產大模型的進步速度讓人驚歎。早在今年初，DeepSeek-R1以超低成本獲得了超越 OpenAI 的表現，令人重新審視國外大模型的壟斷地位。如今，MiniMax 再次帶來了重磅消息:其全新一代文本轉語音（TTS）模型 “Speech-02” 在國際權威的語音評測榜單 Artificial Analysis 上強勢登頂，擊敗了 OpenAI 和 ElevenLabs 等行業巨頭。

Speech-02的出色表現體現在多個關鍵指標上，例如字錯率（WER）和說話人相似度(SIM)，均取得了新的最佳結果(SOTA)，令國外網友感到震驚，紛紛稱讚 MiniMax 爲音頻領域的破局者。更令人驚喜的是，Speech-02的成本僅爲 ElevenLabs 競爭產品的四分之一，展現了其高性價比的優勢。

那麼，Speech-02爲何能夠取得如此驕人的成績呢?背後有兩項關鍵技術創新。一方面，Speech-02實現了真正的零樣本（zero-shot）語音克隆。這意味着只需給定一段參考語音，無需額外文本，模型就能迅速生成與目標語音高度相似的音頻。這項技術顯著節省了時間和資源，以往的合成方法通常需要大量樣本數據。

另一方面，MiniMax 採用了全新的 Flow-VAE 架構，這種架構提升了語音生成過程中的信息表徵能力，進而改善了合成音頻的質量和相似度。通過引入一個可學習的 speaker 編碼器，Speech-02能專注於說話者獨特的發音特點，無論是音色、語調還是節奏，均能精準再現，避免了傳統合成語音的生硬感。

此外，MiniMax 還引入了 T2V 框架，將開放式自然語言描述與結構化標籤信息相結合，進一步提升了語音合成的靈活性和可控性。這意味着，用戶不僅可以提供參考音頻，還可以通過簡單的描述來生成所需音色的語音，從而極大地增強了系統的多功能性。

Speech-02的成功再次印證了國產大模型在語音合成領域的強大實力，並向世界展示了中國在人工智能技術上的快速崛起。

技術文檔：https://minimax-ai.github.io/tts_tech_report/