MiniMax: Speech 2.8 HD

MiniMax: Speech 2.8 HD は MiniMax のテキスト読み上げモデルです。speech カテゴリに属し、書かれたテキストを音声に変換するために作られています。モデルは MiniMax が提供しており、api14 ではモデル id minimax/speech-2.8-hd で提供されます。MiniMax の speech ラインナップをすでにご存じなら、これは Speech 2.8 の HD 版であり、生成された音声が副産物ではなく製品そのものであるアプリケーション向けに位置づけられています。

このモデルはテキストのみを入力として受け取り、音声のみを出力として生成します。コンテキストウィンドウの数値は記載されていませんが、合成モデルとしては当然です。読み上げたいテキストを送信し、音声を受け取ります。このモデルは任意の MiniMax ボイス ID を受け付けるため、固定のラインナップに制限されません。幅広いデリバリースタイルやペルソナをカバーする多数の英語ボイスが利用可能です。例としては English_expressive_narrator、English_magnetic_voiced_man、English_CalmWoman、English_Whispering_girl、English_AnimeCharacter、English_MatureBoss、English_WiseScholar、English_Comedian があります。ナレーターやストーリーテラーからキャラクターボイスまで幅広く揃っているため、単一のデフォルトで妥協するのではなく、コンテンツにトーンを合わせられます。

出力が音声であるため、実用的な用途は入力する内容から導かれます。動画、オーディオブック、長文記事のナレーションは自然な用途であり、特に English_expressive_narrator や English_CaptivatingStoryteller のようなボイスが適しています。支援読み上げツールは、文書、記事、メッセージを、聞くことを好むユーザー向けに音声へ変換できます。広告、解説、製品デモのボイスオーバーには、より断定的または明るいボイスが合います。ゲームやインタラクティブアプリでは、English_AnimeCharacter や English_PlayfulGirl のようなキャラクター向けボイスを、セリフやプロンプトに使用できます。サポートや IVR 形式のシステムでは、落ち着いた、または信頼できるボイスを音声応答に使用できます。すでにテキストを生成し、その読み上げ版を必要とするあらゆるパイプラインが、最終ステップとしてこのモデルを呼び出せます。

api14 の OpenAI 互換 API を通じて、モデル id minimax/speech-2.8-hd を使用して呼び出します。インターフェースは OpenAI 形式に従っているため、既存の OpenAI クライアントを api14 に向け、統合を書き直すことなくこのモデルをリクエストできます。このモデルの対応パラメータ一覧は空であるため、追加の調整パラメータは文書化されていません。実際には、読み上げるテキストを指定し、ボイスを選択します。一覧にある英語ボイスのいずれか、または別の MiniMax ボイス ID です。出力の最大長は記載されていないため、非常に長いスクリプトは慎重に扱い、予測可能なレイテンシが必要な場合はより小さなリクエストに分割することを検討してください。

パラメータ一覧が空であることを踏まえると、このモデルは音声出力を得たいが合成を細かく制御する必要がない場合に、わかりやすい選択肢です。アプリケーションがテキストや画像など別の出力モダリティを必要とする場合は、api14 の別カテゴリのモデルの方が適しています。複数の speech オプションから選ぶ必要がある場合は、利用可能なボイスと、それぞれが目標とする音声品質を比較してください。ボイスの選択が、このモデルが公開する主な調整手段だからです。