MiniMax Speech 是一条文本转语音产品线，从排名第一的 Speech-02（2025 年 5 月）发展到当前的 speech-2.8 系列。它的强项是富表现力、自然的演绎与广泛的多语言覆盖——40+ 语言，具备口音与情感控制——以及一种特别便宜的自定义声音方式。
它最突出的特性是声音克隆：据 MiniMax 称，约十秒的参考音频即可达到约 99% 的人声相似度，按每个声音一次性 $1.50 计费，在声音首次用于合成时收取。声音设计则根据文字描述创建声音，每个 $3。覆盖性别、年龄与风格的 300+ 预置音色库同样可用。产品线分为 speech-2.8-hd（用于录音室级配音与有声书）与 speech-2.8-turbo（用于智能体与聊天机器人中延迟更低、成本更低的场景）。
价格
MiniMax 的按量付费标价为：speech-2.8-hd 每百万字符 $100，speech-2.8-turbo 每百万字符 $60，同步与异步合成相同。异步任务单次请求最多 100 万字符。这使 MiniMax 成为按字符计价偏贵的选项：按 Artificial Analysis 的数字，Gemini 3.8 Flash TTS 是 $16.50，Qwen-Audio 3.1 TTS-Plus 是 $19.30，而 Eleven v4 的高质量模型是 $80。按声音收取的克隆费是例外——在这一部分账单上，MiniMax 可能比按订阅计费的对手更便宜。
排名
在 Artificial Analysis 语音竞技场（2026 年 10 月）上，Speech 2.8 HD 排第 19（Elo 1174），Speech 2.8 Turbo 排第 24（1153），榜首 Eleven v4 Turbo 为 1330。在同一网站的克隆声音榜上，两者都排第 20–21 名，Elo 为 1020。这个系列在 2025 年一度接近榜首，但 ElevenLabs、阿里巴巴和 Google 在 2026 年 9 月的新发布已经超过了它。
适合谁
当你需要大量克隆或设计声音、又希望每个声音成本低，或需要超长的异步任务时，MiniMax 最合适。如果要追求最佳质量或最低的每字符价格，现在有别的模型做得更好——见最佳 AI 语音生成器。对西方团队的务实提醒：它的生态、文档与工具不如 ElevenLabs 成熟。在投入前请先估算你的预期用量。
适用场景
- 多语言配音与旁白
- 需要大量克隆或设计声音的场景，按声音计费比订阅更划算
- 异步生成的长篇音频，如有声书
优缺点
优势
- 在 40+ 语言上富表现力、自然的演绎
- 快速声音克隆（据 MiniMax，约 10 秒音频即达约 99% 相似度），每个声音一次性 $1.50，另可用文字描述设计声音，每个 $3
- 300+ 预置音色；HD 与低延迟 Turbo 变体；异步任务单次最多 100 万字符
局限
- 按字符计价属最贵一档——HD 每百万字符 $100，而 Artificial Analysis 上前五名的价格为 $16.50–$80
- 在 Artificial Analysis 语音竞技场排第 19（HD，Elo 1174）和第 24（Turbo，1153），明显落后于 2026 年 9 月的新发布
- 西方生态与文档不如 ElevenLabs