MiniMaxがサウンドタグと音声クローン機能を備えたSpeech 2.8をリリース

MiniMaxが発表した内容

MiniMaxは、Speech 2.8という合成音声モデルを発表した。同社によると、このモデルはネイティブなサウンドタグ、より高忠実度な音声クローニング、改良された音声処理、そして向上した多言語間パフォーマンスを追加するという。MiniMaxはこのモデルが稼働中であると発表し、利用者に対してOpen Platformのドキュメントおよび MiniMax Audio 製品を案内した。

同社はこのリリースを、人間の会話に見られる間、息づかい、ためらいをより多く再現する生成音声を目指す取り組みとして紹介した。また、サウンドタグ、音声クローニング、ノイズのない出力、多言語間音声についての音声デモも提供した。

ネイティブサウンドタグ

Speech 2.8は、口語的・非言語的要素を再現することを目的としたサウンドタグへのネイティブ対応を導入した。MiniMaxによると、このモデルは「um」「uh」「ah」といったフィラーを、リズム・ピッチ・間を保ちながら扱うことができるという。

デモ用テキストには、忍び笑い、呼吸、咳払い、笑い声のタグも使用されている。MiniMaxによれば、これらの制御機能は、生成音声にためらいや強調などの会話的なディテールを加えるために設計されている。

短いサンプルからの音声クローニング

MiniMaxは、音声クローニングのためにSpeech 2.8の特徴抽出プロセスを最適化したと述べている。同社によると、このモデルは10秒の録音を使って、声の質感、息づかい、話す速度を含む特徴を捉えることができるという。

発表には、元の音声とクローンされた結果を比較する英語のデモも含まれている。MiniMaxはこの例について、会話的な話し方、変化する抑揚、温かみのある中音域の声質という観点から説明している。

音声処理の変更点

MiniMaxは、背景ノイズと合成による歪みを低減するため、モデルの処理エンジンを再設計したと述べている。同社は、目指す出力についてプロのスタジオ録音に近い明瞭な音声であると説明している。

この発表のこの部分には、別のデモが添えられている。そのサンプルナレーションには、森、風、夜明けについての静かな描写的な文章が含まれており、背景ノイズのないモデルの出力例を示している。

多言語間の更新

Speech 2.8には、多言語間生成に関する変更も含まれている。MiniMaxは「アクセント漏れ」に対応したと述べており、これは言語をまたいで音声を生成する際に生じうる不自然なトーンや発音の変化のことだと説明している。

最初に挙げられている言語ペアは、中国語と日本語である。MiniMaxによると、この更新はこれらの言語における声がネイティブスピーカーのように聞こえることを目指したものだという。同社はまた、この取り組みを他の言語にも拡張する計画があるとしているが、対象言語やリリーススケジュールについては明らかにしていない。

提供状況

MiniMaxは、Speech 2.8が現在稼働中であると述べている。この発表では、MiniMax Open Platformのモデルドキュメントおよび MiniMax Audio 製品を通じたアクセス方法が案内されている。

出典：MiniMaxによる発表「MiniMax Speech 2.8: Breathing Life into AI Voice」、2026年1月23日公開。