摘要
1) 一句话总结 MiniMax发布了新一代AI声音模型Speech-02，在多语种发音准确率（WER）和音色相似度（SIM）上超越11Labs，支持32种语言并已开放API与MCP接入。
2) 核心要点
- 性能指标领先：在AI音频盲测竞技场登顶；其WER（词错误率）在主流语种及亚洲语种（日、越、泰等）平均保持在1~4之间，准确率优于11Labs。
- 音色相似度提升：SIM（相似度）指标在测试的32个语种中全面超越11Labs。
- 多语种与混语能力：支持语种从一代的12种扩展至32种，且在处理中、英、日、西等多语言混合文本时具备极高的区分度和流畅度。
- 情感与语调自适应：在讲故事场景中，使用单一克隆声音即可根据文本角色自动调整音调与情绪变化。
- 克隆门槛与速度：仅需上传10秒至5分钟（推荐30秒左右）的音频素材，十几秒即可完成声音模型克隆。
- 使用额度：免费用户可克隆3个声音，5美元/月的会员可克隆10个声音。
- 开发者生态：已同步上线API支持，并完成MCP（模型上下文协议）接入，可直接集成至各类Agent产品中。
3) 风险与不足
- 可用性限制：目前声音克隆功能仅在MiniMax海外版（hailuo.ai/audio）提供。
- 克隆样本限制：虽然最低支持10秒音频克隆，但样本量不够充分，官方/作者建议最好在30秒左右。
- 混语发音瑕疵：在处理极端复杂的长段多语种混合文本时，结尾的中文发音仍可能带有轻微的“翻译腔”。
正文
几个月前，我写过一篇MiniMax的AI声音模型。
我说，那就是当时最强的中文AI音频。数据也有点小爆。
而在去年12月之后，至今将近半年时间，在AI声音模型这块，我觉得还是没有能超越MiniMax的。
直到昨天，我看到 MiniMax在X上发了他们新一代声音模型的技术报告，Speech-02来了。看来想突破Speech-01的上限，还是得他们自己。
不过就是这数据是真的惨淡，看来大家最近关注的都是Agent、MCP，AI音频关注的人，是真的少。。。
我大概翻了一下，跑分确实牛逼不少，主要是WER和SIM这两数据。
两个维度，左边是WER，越低越好，代表这个模型讲出来的话，有多准确。右边是SIM，越高越好，代表这个模型讲出来的声音，有多像原声。
你可以简单的理解成，左边看的是AI说的对不对，右边看的是AI像不像本人。
WER的数据，除了一些欧美的小语种，主流语种几乎都压了目前世界公认最被推崇的11Labs一头，特别是周边的亚洲国家，日本、越南、泰国，几乎都是纯碾压姿态，所有语种的WER指标几乎平均都在1~4之间，很牛逼，他们这是正儿八经在多语种上发力了
而音色相似度上，上一代其实做的没有11labs好，海外的很多反馈都是声音没有11Labs像，但是这一次，实现了全面超越，32个语种，每一个在跑分上都比11Labs要强，我自己实测，也能明显感觉到，相似度已经比11labs好了。
我又去看了一下AI音频领域的盲测竞技场。
意外的发现。
MiniMax这个新模型。
登顶了。。。
现在，这个新模型， MiniMax Speech-02，已经可以在 MiniMax官网用了，目前只有海外版有声音克隆，别问我为什么只有海外版有。
网址在此： https://www.hailuo.ai/audio
我随手用 MiniMax+即梦大师版，搓了一个有趣的郭小纲动画，给大家直观的感受一下， MiniMax的 Speech-02有多强。
我就扔了一段不到1分钟的原声进去复刻，说实话，这音调，这起伏，这音色，强的有点不像话了。
我第一次听到的时候，真的感觉真假难分。
不仅郭小纲，还能让，周小伦，来夸一夸我。
太像了。
你闭着眼睛，你是真的能感觉到，是周董，在你面前挥舞着手臂，用那独特的强调跟你说，你还挺屌的。
还有之前万艾尔登法环，预告片里面菈妮的配音我一直很喜欢。
我也让 MiniMax复刻了一下。
这是上一代Speech-01-hd的效果。
而这是， Speech-02-hd的效果。
我相信，一定能非常轻松的感受到，情绪的差距。
说说咋用。
进入Minimax的Audio官网后，点击左边的Voices。
免费用户，可以免费克隆3个声音。
我是开了5刀的会员，所以可以创建10个。
点进去以后，直接上传你的素材，然后正常命名，选素材的主语言就行，超级简单。
上传的语音最少上传10s的音频片段就可以克隆了，不过这个样本其实不是特别够， 所以我一般推荐音频素材最好在30s左右 ，当然你也可以更长，不过一般不需要超过5分钟。
然后只需要十几秒，一个新鲜的声音模型，就克隆好了。
后续使用的时候，直接在右边的声音选择界面里面找到自己的tab，正常使用就行。
一代的时候，这个声音模型，只支持12种语言，分别是：
中文、 粤语、 英语、韩语、日语、印尼语、西语、葡语、法语、意大利语、俄语、德语。
但是这一次的2代，支持了32种语言。
而且在混合语种上，有更好的效果了。
比如我之前看到一个非常有意思的挑战。
文字是这样的：
“皆さん，我在网络上面看到有someone把三个国家的 language 混在一起去 speak 。我看到之后 be like これは我じゃないか，私も try one try です”。
非常离谱。
我克隆了我自己的声音，然后去试着念了一下。
这是上一代 Speech-01-hd：
我保证，你听完以后也不知道它到底念了个啥，我就听到一个Speak。。。
再来听听2代的。
虽然日文那还有一点奇怪，但是，已经是能完整的区分出来念的明明白白的了好吧，这已经是，史诗级进步了。
我又搞了一个更复杂的，小皇四郎。
文本是这样的：
“妈的，最烦装逼的人了。刚回国，问他论文咋样，他说： “我要 restructure 一下 framework。” 我翻了个白眼，结果他又来一句： “Ah non, pas de sucre, merci~” 然后切日语：「これはマジでイラっとするわ〜」 再来西语：“¡Qué pesado! Pero suena perfecto.” 最后还补一句英语：“Seriously. Stop pretending you’re special.” 我都想说：你到底是人，还是 AI？ 哦，他是 MiniMax Speech two，新模型。”
真的，实在太好玩了。
虽然最后的中文，念的还是冒出了翻译腔，但是进步已经巨大了。
而且，还有一个超级屌的点是，他们在讲故事的场景中，如果你只用一个声音的话，在一些不同角色那里，它甚至会有不同的音调变化和情绪变化。
这是我的一份故事文稿。
我直接让 Speech-02-hd一键直出，然后我自己稍微剪了下，加了点音效，大家可以听一听这个情绪，还有角色的变化。
文稿中标黄的那几句，大家应该能明显的听出来，是刻意压低了音调，改了情绪。这可不是我处理的，是 MiniMax直出的，这就非常牛逼了。
除了C端产品之外，我看了一眼API，发现，他们已经第一时间把 Speech-02给支持了。
甚至，MCP也弄好了。
现在，你可以在任何Agent产品里，也可以接入这个逼真到爆炸的语音模型了。
我们也可以自豪的说一声。
之前，中文AI语音，我们做到了世界最强，但是现在，可以把中文去掉了，整体上，我们都已经做到了世界最强。
这是一个被所有人低估的战场。
大家都在盯着谁做出第一个像人一样思考的Agent，却没看到，那些AI说话的声音，其实早已变得越来越跟真人无异。
而且，这一次，还是我们做出来的。
在12月份的那边 MiniMax AI音频的文章中，我在最后写道：
“也许，这就是属于中文世界的AI时代的序章。而这一切，才刚刚开始。”
然后就是波浪壮阔的春节。
随后的故事，大家也都知道了。
一语成箴。
现在的AI世界，再也不是英语的独角戏了。
我们从配角，走向主角。
然后不仅仅止步于起。
像MiniMax，也用AI，给世界，尽可能的带来语言平权。
那些过去没被在意的语言，过去只能在家族里、在小巷里、在庙宇里才能听到的声音，现在终于有机会，能被世界听见了。
AI没有带来统治。
反而是把人类的多样性。
放进了未来。