这才是现在最强的AI声音模型。 * { margin: 0; padding: 0; outline: 0; } body { font-family: “PingFang SC”, system-ui, -apple-system, BlinkMacSystemFont, “Helvetica Neue”, “Hiragino Sans GB”, “Microsoft YaHei UI”, “Microsoft YaHei”, Arial, sans-serif; line-height: 1.6; } .__page_content__ { max-width: 667px; margin: 0 auto; padding: 20px; text-size-adjust: 100%; color: rgba(0, 0, 0, 0.9); padding-bottom: 64px; } .title { user-select: text; font-size: 22px; line-height: 1.4; margin-bottom: 14px; font-weight: 500; } .__meta__ { color: rgba(0, 0, 0, 0.3); font-size: 15px; line-height: 20px; hyphens: auto; word-break: break-word; margin-bottom: 50px; } .__meta__ .nick_name { color: 576B95; } .__meta__ .copyright { color: rgba(0, 0, 0, 0.3); background-color: rgba(0, 0, 0, 0.05); padding: 0 4px; margin: 0 10px 10px 0; } blockquote.source { padding: 10px; margin: 30px 0; border-left: 5px solid ccc; color: #333; font-style: italic; word-wrap: break-word; } blockquote.source a { cursor: pointer; text-decoration: underline; } .item_show_type_0 > section { margin-top: 0; margin-bottom: 24px; } a { color: 576B95; text-decoration: none; cursor: default; } .text_content { margin-bottom: 50px; user-select: text; font-size: 17px; white-space: pre-wrap; word-wrap: break-word; line-height: 28px; hyphens: auto; } .picture_content .picture_item { margin-bottom: 30px; } .picture_content .picture_item .picture_item_label { text-align: center; } img { max-width: 100%; } .pay_subscribe_notice { margin: 30px 0; padding: 20px; background: fffbe6; border: 1px solid ffe58f; border-radius: 8px; } .pay_subscribe_badge { display: inline-block; padding: 4px 12px; background: faad14; color: fff; border-radius: 4px; font-size: 14px; font-weight: 500; margin-bottom: 12px; } .pay_subscribe_desc { font-size: 15px; line-height: 1.8; color: rgba(0, 0, 0, 0.7); margin-bottom: 12px; } .pay_subscribe_hint { font-size: 13px; color: rgba(0, 0, 0, 0.4); } .__bottom-bar__ { display: flex; justify-content: space-between; align-items: center; position: fixed; bottom: 0; left: 0; right: 0; height: 64px; padding: 8px 20px; background: white; box-sizing: border-box; border-top: 1px solid rgba(0, 0, 0, 0.2); } .__bottom-bar__ .left { display: flex; align-items: center; font-size: 15px; white-space: nowrap; } .__bottom-bar__ .right { display: flex; } .__bottom-bar__ .sns_opr_btn { display: flex; align-items: center; user-select: none; background: transparent; border: 0; color: rgba(0, 0, 0, 0.9); font-size: 14px; } .__bottom-bar__ .sns_opr_btn:not(:last-child) { margin-right: 16px; } .__bottom-bar__ .sns_opr_btn > img { margin-right: 4px; }
这才是现在最强的AI声音模型。
原创 数字生命卡兹克 数字生命卡兹克 2025-05-16 09:02 北京
几个月前，我写过一篇MiniMax的AI声音模型。
我说，那就是当时最强的中文AI音频。数据也有点小爆。
而在去年12月之后，至今将近半年时间，在AI声音模型这块，我觉得还是没有能超越MiniMax的。
直到昨天，我看到MiniMax在X上发了他们新一代声音模型的技术报告，Speech-02来了。看来想突破Speech-01的上限，还是得他们自己。
不过就是这数据是真的惨淡，看来大家最近关注的都是Agent、MCP，AI音频关注的人，是真的少。。。
我大概翻了一下，跑分确实牛逼不少，主要是WER和SIM这两数据。
两个维度，左边是WER，越低越好，代表这个模型讲出来的话，有多准确。右边是SIM，越高越好，代表这个模型讲出来的声音，有多像原声。
你可以简单的理解成，左边看的是AI说的对不对，右边看的是AI像不像本人。
WER的数据，除了一些欧美的小语种，主流语种几乎都压了目前世界公认最被推崇的11Labs一头，特别是周边的亚洲国家，日本、越南、泰国，几乎都是纯碾压姿态，所有语种的WER指标几乎平均都在1~4之间，很牛逼，他们这是正儿八经在多语种上发力了
而音色相似度上，上一代其实做的没有11labs好，海外的很多反馈都是声音没有11Labs像，但是这一次，实现了全面超越，32个语种，每一个在跑分上都比11Labs要强，我自己实测，也能明显感觉到，相似度已经比11labs好了。
我又去看了一下AI音频领域的盲测竞技场。
意外的发现。
MiniMax这个新模型。
登顶了。。。
现在，这个新模型，MiniMax Speech-02，已经可以在MiniMax官网用了，目前只有海外版有声音克隆，别问我为什么只有海外版有。
网址在此：https://www.hailuo.ai/audio
我随手用MiniMax+即梦大师版，搓了一个有趣的郭小纲动画，给大家直观的感受一下，MiniMax的Speech-02有多强。
我就扔了一段不到1分钟的原声进去复刻，说实话，这音调，这起伏，这音色，强的有点不像话了。
我第一次听到的时候，真的感觉真假难分。
不仅郭小纲，还能让，周小伦，来夸一夸我。
太像了。
你闭着眼睛，你是真的能感觉到，是周董，在你面前挥舞着手臂，用那独特的强调跟你说，你还挺屌的。
还有之前万艾尔登法环，预告片里面菈妮的配音我一直很喜欢。
我也让MiniMax复刻了一下。
这是上一代Speech-01-hd的效果。
而这是，Speech-02-hd的效果。
我相信，一定能非常轻松的感受到，情绪的差距。
说说咋用。
进入Minimax的Audio官网后，点击左边的Voices。
免费用户，可以免费克隆3个声音。
我是开了5刀的会员，所以可以创建10个。
点进去以后，直接上传你的素材，然后正常命名，选素材的主语言就行，超级简单。
上传的语音最少上传10s的音频片段就可以克隆了，不过这个样本其实不是特别够，所以我一般推荐音频素材最好在30s左右，当然你也可以更长，不过一般不需要超过5分钟。
然后只需要十几秒，一个新鲜的声音模型，就克隆好了。
后续使用的时候，直接在右边的声音选择界面里面找到自己的tab，正常使用就行。
一代的时候，这个声音模型，只支持12种语言，分别是：
**中文、**粤语、英语、韩语、日语、印尼语、西语、葡语、法语、意大利语、俄语、德语。
但是这一次的2代，支持了32种语言。
而且在混合语种上，有更好的效果了。
比如我之前看到一个非常有意思的挑战。
文字是这样的：
“皆さん，我在网络上面看到有someone把三个国家的 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”。
非常离谱。
我克隆了我自己的声音，然后去试着念了一下。
这是上一代Speech-01-hd：
我保证，你听完以后也不知道它到底念了个啥，我就听到一个Speak。。。
再来听听2代的。
虽然日文那还有一点奇怪，但是，已经是能完整的区分出来念的明明白白的了好吧，这已经是，史诗级进步了。
我又搞了一个更复杂的，小皇四郎。
文本是这样的：
“妈的，最烦装逼的人了。刚回国，问他论文咋样，他说：
“我要 restructure 一下 framework。”
我翻了个白眼，结果他又来一句：
“Ah non, pas de sucre, merci~”
然后切日语：「これはマジでイラっとするわ〜」
再来西语：“¡Qué pesado! Pero suena perfecto.”
最后还补一句英语：“Seriously. Stop pretending you’re special.”
我都想说：你到底是人，还是 AI？
哦，他是 MiniMax Speech two，新模型。”
真的，实在太好玩了。
虽然最后的中文，念的还是冒出了翻译腔，但是进步已经巨大了。
而且，还有一个超级屌的点是，他们在讲故事的场景中，如果你只用一个声音的话，在一些不同角色那里，它甚至会有不同的音调变化和情绪变化。
这是我的一份故事文稿。
我直接让Speech-02-hd一键直出，然后我自己稍微剪了下，加了点音效，大家可以听一听这个情绪，还有角色的变化。
文稿中标黄的那几句，大家应该能明显的听出来，是刻意压低了音调，改了情绪。这可不是我处理的，是MiniMax直出的，这就非常牛逼了。
除了C端产品之外，我看了一眼API，发现，他们已经第一时间把Speech-02给支持了。
甚至，MCP也弄好了。
现在，你可以在任何Agent产品里，也可以接入这个逼真到爆炸的语音模型了。
我们也可以自豪的说一声。
之前，中文AI语音，我们做到了世界最强，但是现在，可以把中文去掉了，整体上，我们都已经做到了世界最强。
这是一个被所有人低估的战场。
大家都在盯着谁做出第一个像人一样思考的Agent，却没看到，那些AI说话的声音，其实早已变得越来越跟真人无异。
而且，这一次，还是我们做出来的。
在12月份的那边MiniMax AI音频的文章中，我在最后写道：
“也许，这就是属于中文世界的AI时代的序章。而这一切，才刚刚开始。”
然后就是波浪壮阔的春节。
随后的故事，大家也都知道了。
一语成箴。
现在的AI世界，再也不是英语的独角戏了。
我们从配角，走向主角。
然后不仅仅止步于起。
像MiniMax，也用AI，给世界，尽可能的带来语言平权。
那些过去没被在意的语言，过去只能在家族里、在小巷里、在庙宇里才能听到的声音，现在终于有机会，能被世界听见了。
AI没有带来统治。
反而是把人类的多样性。
放进了未来。
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章，我们，下次再见。
>/ 作者：卡兹克
>/ 投稿或爆料，请联系邮箱：wzglyay@virxact.com
数字生命卡兹克
 阅读 赞  分享 ‘%3E %3Cg transform=‘translate(0 -2.349)‘%3E %3Cpath d=‘M0 2.349h24v24H0z’/%3E %3Cpath fill=‘%23576B95’ d=‘M16.45 7.68c-.954 0-1.94.362-2.77 1.113l-1.676 1.676-1.853-1.838a3.787 3.787 0 0 0-2.63-.971 3.785 3.785 0 0 0-2.596 1.112 3.786 3.786 0 0 0-1.113 2.687c0 .97.368 1.938 1.105 2.679l7.082 6.527 7.226-6.678a3.787 3.787 0 0 0 .962-2.618 3.785 3.785 0 0 0-1.112-2.597A3.687 3.687 0 0 0 16.45 7.68zm3.473.243a4.985 4.985 0 0 1 1.464 3.418 4.98 4.98 0 0 1-1.29 3.47l-.017.02-7.47 6.903a.9.9 0 0 1-1.22 0l-7.305-6.73-.008-.01a4.986 4.986 0 0 1-1.465-3.535c0-1.279.488-2.56 1.465-3.536A4.985 4.985 0 0 1 7.494 6.46c1.24-.029 2.49.4 3.472 1.29l.01.01L12 8.774l.851-.85.01-.01c1.046-.951 2.322-1.434 3.59-1.434 1.273 0 2.52.49 3.472 1.442z’/%3E %3C/g%3E %3C/g%3E %3C/g%3E%3C/svg%3E) 推荐 ’ fill=‘%23000’ fill-opacity=’.9’/%3E%3C/svg%3E) 留言