Speech-02：MiniMax Audioが新たに発表した強力なテキスト読み上げ（TTS）モデル 135

Speech-02とは？

MiniMax Audio Speech-02は強力なテキスト読み上げ（TTS）モデルであり、あらゆるファイルやURLを瞬時にリアルな音声に変換できます。1回の入力で最大20万文字まで対応し、30以上の言語をネイティブアクセントでサポートしています。さらに、Speech-02は無制限の音声クローン、サブ秒レベルのストリーミング処理、そして複数の音声フォーマット（FLAC、WAV、MP3、PCMなど）にも対応しています。

Speech-02モデルには2つのバージョンがあります：speech-02-hd-preview（99%の音声類似度とスタジオ級の明瞭さを特徴とし、吹き替えやオーディオブックなどリアルな表現が必要なシーンに適している）と、speech-02-turbo-preview（低遅延と高性能のバランスを取り、リアルタイムアプリケーションに適している）です。

言語と音声機能

• 多言語サポート：Speech-02は英語、中国語、日本語、韓国語、フランス語、ドイツ語、スペイン語、ポルトガル語、イタリア語、アラビア語、ロシア語、トルコ語、オランダ語、ウクライナ語、ベトナム語、ヒンディー語、タイ語、ポーランド語、ルーマニア語、ギリシャ語、フィンランド語、インドネシア語など、30以上の言語のテキスト読み上げをネイティブアクセントでサポートしています。

• 豊富な音声ライブラリ：300以上のリアルで自然な音声を備えており、複数の言語のネイティブ表現に対応しています。

技術性能

• 1回の入力文字数：1回の入力で最大20万文字まで対応します。

• ストリーミング処理速度：サブ秒レベルのストリーミング処理をサポートします。

• モデルバージョン：speech-02-hd-previewとspeech-02-turbo-previewが含まれます。前者は99%の音声類似度とスタジオ級の明瞭さを特徴とし、吹き替えやオーディオブックなどリアルな表現が必要なシーンに適しています。後者は低遅延と高性能のバランスを取り、リアルタイムアプリケーションに適しています。

Speech-02の機能と特徴

• 無制限の音声クローン：業界最高品質で、複数のスタイルやトーンの音声を迅速にクローンすることができます。

• 音声コントロール：ユーザーは音声の感情、ボリューム、速度、出力フォーマットを容易にコントロールできます。

• 音声ミキシング：既存の音声を組み合わせて、新しい独自の音声を作り出すことができます。

• 音声フォーマットサポート：FLAC、WAV、MP3、PCMなど複数の音声フォーマットに対応しています。

Speech-02の活用シーン

• オーディオブック制作：長編小説や学術論文などを高品質なオーディオコンテンツに変換するのに適しています。

• ポッドキャスト制作：ポッドキャスト制作者がより魅力的で多様なコンテンツを制作するのに役立ちます。

• 映画やゲームの吹き替え：映画クラスの低音と没入感のあるオーディオ効果を提供します。

• 国際会議や翻訳：複数の言語間で即座にシームレスに切り替えることをサポートします。

現在、Speech-02モデルはMiniMax AudioプラットフォームおよびAPIプラットフォームで提供されていますが、中国国内版はまだリリースされていません。

公式リンク

MiniMax Audioプラットフォーム：https://www.minimax.io/audio

MiniMax Audio APIプラットフォーム：https://www.minimax.io/platform