Speech-02 – MiniMax 推出的全新一代高级文本转语音模型，开启语音合成的新纪元

Speech-02是什么

Speech-02 是 MiniMax 推出的新一代文本到语音（TTS）模型。模型基于回归 Transformer 架构，实现零样本语音克隆，仅需几秒参考语音能生成高度相似的目标语音。Flow-VAE 架构增强了语音生成的信息表征能力，提升合成语音的质量和相似度。Speech-02提供两种版本，Speech-02-HD 专为高保真应用设计，如配音和有声读物，能消除节奏不一致问题，保持音质清晰， Speech-02-Turbo 针对实时性能优化，平衡超低延迟与卓越音质，适用于交互式应用。Speech-02模型已在MiniMax Audio平台及MiniMax API平台上线。

Speech-02的主要功能

零样本语音克隆：仅需几秒参考语音，生成高度相似的目标语音。
高质量语音合成：生成自然流畅的语音，支持多种语言和方言。
多语言支持：支持 32 种语言，擅长中英、粤语等语种，可跨语言切换。
个性化语音生成：用户提供示范音频，模型学习后生成个性化语音。
情感控制：支持多种情感（如快乐、悲伤等），基于文字描述指导语音生成。

Speech-02的技术原理

自回归 Transformer 架构：基于自回归 Transformer 架构，生成韵律、语调和整体自然度更好的语音。自回归模型在生成过程中逐个生成语音特征，确保生成的语音更加自然和连贯。
零样本语音克隆：引入可学习的 speaker 编码器，编码器专门学习对合成语音最有用的声音特征，如说话人的独特发音习惯。模型仅需几秒的参考语音生成高度相似的目标语音。
Flow-VAE 架构：基于可逆映射变换潜在空间，更准确地捕捉数据中的复杂模式。Flow-VAE 架构能增强语音生成过程中的信息表征能力，提升合成语音的整体质量和相似度。
T2V 框架：T2V 框架结合开放式自然语言描述与结构化标签信息，实现高度灵活且可控的音色生成。用户基于文字描述指导模型生成特定音色和情感的语音。