几十个测试后，发现海螺语音与 ElevenLabs 掰手腕的能力不是盖的

试想一个场景，个测职场中接到一个香港客户的试后单子，但是发现上海理工大学绯闻地址在交付的过程中耽搁了时间，现在要进行线上沟通解释，海螺那么你面对的语音情况大致是这样的：

如果不对这段音频进行标注，可能大部分人会认为这一粤语、掰手不盖英语混用的个测片段是真实发生或从TVB电视剧里截出来的。但其实，试后这是发现由 AI 完成的配音，背后所使用的海螺工具是海螺语音。

今年 1 月，语音继 MiniMax 发布并开源基础语言大模型 MiniMax-Text-01 和视觉多模态大模型 MiniMax-VL-01 后，掰手不盖再次推出了升级的个测语音大模型 T2A-01 系列，搭载于海螺 AI 之上，试后开辟海螺语音板块。发现相较于旧版本， T2A-01 系列语音模型能够提供更快、更稳的语音生成能力，不仅具有音质稳定清晰、韵律自然、情绪精准表达、高准确度等特点，还能支持包括中文、粤语、英语在内的 17 种语言及上百种预置音色可选。

从以上的音频中可以听出，海螺语音能够准确理解并无缝处理不同的语种，并饱含语气、以接近人声的自然度讲出来，这就是目前海螺语音无需抽卡就可以达到的稳定水平。接下来，我们通过海螺语音和其他语音生成产物的上海理工大学绯闻地址对比来来感受一下，无需抽卡即可以达到高水平的稳定输出是什么样的概念。

测试问题为一个终极难度的绕口令“施氏食狮史”，主要考验的是语音大模型在面对大量同声词时的处理能力。（原文：石室诗士施氏，嗜狮，誓食十狮。氏时时适市视狮。十时，适十狮适市。是时，适施氏适市。氏视是十狮，恃矢势，使是十狮逝世。氏拾是十狮尸，适石室。石室湿，氏使侍拭石室。石室拭，氏始试食是十狮尸。食时，始识是十狮尸，实十石狮尸。试释是事。）

先来听由 ChatTTS 生成的内容：整个过程中字与字的区别并不大，产生很强的粘连感，听起来像石狮石狮石狮石狮......可以说听不出来在读什么。

再来听 ElevenLabs：可能是模型幻觉的原因， ElevenLabs 在读的时候很喜欢“呱呱叫”，就算去调整语速也不会好转。但相较于ChatTTS，已经有一个明显的质量上的提升，字与字之间能够区分开，并且语音中有语调和情绪在。

再来听 MiniMax 的海螺语音输出的内容：首先，整段声音听起来偏向自然，没有像 ChatTTS 一样从头到尾一个音，也没有ElevenLabs 表现出的“呱”的声音的明显瑕疵。虽然并不是完美无瑕，部分词语上也有断句的问题，但在 80% 的短句中已经有显著惊艳的表现，对音调、分词错落、节奏和断句能听出表意，这反映的是语音模型背后的理解能力。在一众生产力工具向的 AI ChatBot 中，海螺 AI 是唯一一个能提供独立的语音模型板块给客户、让客户自定义生成音频的产物。

一、能与 ElevenLabs 掰手腕的多语言合成能力

国内无论是大厂还是创业公司，在语音模型能力上都会对标 ElevenLabs。ElevenLabs 凭借其高质量语音合成、多语种能力、个性化语音生成和强大的API支持，成为了当前语音合成领域的领先产物之一。在 T2A-01 模型的能力支持下，海螺 AI 所生成的语音在相似度、错误率和听感评测上均领先于同类产物，能与 ElevenLabs 掰手腕。MiniMax 团队采用和 Seed-TTS 论文相同的评测集和评测工具来计算海螺语音的字错率和相似度。结果显示，海螺语音在中文的字错率和相似度最好，英文的字错率、相似度和真实录音「Human」接近。

根据客户真实场景，MiniMax 建立了多语种评测集，并对17个语种进行客观评测。其中，每种语言选取2-10个音色，生成50条以上音频进行评估。结果显示，海螺语音相似度整体占优，综合能力媲美 ElevenLabs。在中文、粤语、英语、日语、韩语和阿拉伯语等多个语种上，海螺语音的相似度、正确率方面大幅领先。

那么 T2A-01 的多语种能力究竟如何？先来让它用嚣张小姐的语气，带着开心的情绪，以正常速度，用九种语言说出杨幂的经典广告语：你没事吧？（1、中文：你没事儿吧 2、英语：Are you okay? 3、日语：大丈夫ですか？（Daijōbu desu ka?）4、法语：Ça va? 5、德语：Geht es dir gut? 6、西班牙语：¿Estás bien? 7、俄语：Ты в порядке?（Ty v poriadke?）8、韩语：괜찮아요?（Gwaenchanayo?）9、意大利语：Stai bene?）

你还真别说，第一声出来的时候还真有点像杨幂的声音。之后的小语种发音清晰，也能从语流语调间感受到开心的情绪。再来看这个影片，其中的配音语言采用德语，在音色调节效果中选择了空旷回声音效，出来的效果完全没有 AI 味儿，仿佛女政客在国会现场的慷慨陈词。

二、精准情绪+音色控制的王炸组合

于机器而言，准确地进行情绪表达一直是难点所在。语音模型情感表达的训练依赖于大量标注信息，但这些信息往往存在偏差，某些情感可能被过度强调，而另一些则被忽视，导致模型在处理这些情感时不够准确。于 TTS 行业而言，即使模型能够理解情感，生成的情感表达也可能显得生硬或不自然，模型可能难以在语音中保持情感的一致性，或者无法模拟真实人类情感的细微变化。

为了让声音更加鲜活，情绪表达更加精准，MiniMax 对长达超千万小时的高质量音频信息进行加工、训练，最终实现高音质、情感丰富的声音效果。先来通过朗读古诗简单感受下，所选取内容为：“惟觉时之枕席，失向来之烟霞。世间行乐亦如此，古来万事东流水。”由于粤语接近古汉语的方言，所以用粤语念诗会更贴近古人念诗时的表现，对情感的考验也相较于白话文稍上了一个高度，因此输入的 prompt 为：“惟覺時之枕席，失向來之煙霞。世間行樂亦如此，古來萬事東流水。”

市面上的大部分语音模型可以对这一题稳定输出，但MiniMax不止于此。最新发布的海螺语音具备情感理解能力，能够智能地识别并重现语音中细微的情感差别，客户既可以让系统自动检测情绪，也可以明确指定情绪，从而生成能够精准捕捉人类深层情感的语音输出。在指定情绪中，除了中性外，有开心、难过、生气、害怕、厌恶、惊讶效果可选，自然而逼真。雷峰网雷峰网(公众号：雷峰网)雷峰网

日常的对话表达，或商业化场景中，情绪往往是多变且富有层次的，这个是过去的语音大模型较难攻克的痛点。但海螺语音实现了这一突破，可以分段控制不同的情绪。例如，同样是表达老人害怕的情绪，想进一步从声音中感受到从害怕到难过再到开心的完整情绪变化，海螺AI给出了如下的答案：

从妇人发现怪老头冲自己喊叫时的紧张、惊慌、害怕，到发现是自己年轻时的堂哥走散落魄至此，此时声音变低落展现难过，再到重逢时的开心有明显的音调上扬，海螺 AI 对输入的文字有精准理解，对输出的声音也可以做到层次分明，精细地控制。除了情绪的精准控制外，海螺语音的另一个明显优势时预置不同语种共计300+音色供客户选择，客户可按语言、口音、性别和年龄分类筛选。音色多变，不羁、诙谐、慈祥等风格丰富多样，有声书、ASMR耳语、新闻播报等场景均可适用。

在平台给定的音色基础上，客户也可以根据偏好对低沉/明亮、力量感/柔和、磁性/清脆等细节进行自定义，同时也可以增加类似于空旷回声、礼堂广播、电话失真等场景感。

选择“花甲”奶奶这一音色，也可以通过调试台对语速、声调、音量进行调节。

将花甲奶奶的声音设置为语速和声调降低，情绪输出为害怕，就能获得讲恐怖故事很有氛围感的说书声音。

在87版《红楼梦》中，林黛玉的角色被成功塑造，这一文学佳作在香港也曾拍过多版。如果在香港引进87版的黛玉，“花谢花飞花满天，红消香断有谁怜”该如何用粤语配音呢？一起来感受一下：该片段中的配音由海螺语音完成，可以切实感受到，海螺语音在情绪和音色控制方面的实力所在，如果将两者进行结合，可以说，几乎能随心所欲地生成想要的语音效果，满足更多为影视作品引进和配音的潜在需求。

三、面向AGI，坚定多模态

在 AI 公司的多模态模型能力开发顺序上，音频似乎很难排在文字、图片、影片能力之前，给行业造成一种“音频模型相对滞后”印象。但实际上，语音大模型的开发难度和工艺门槛都非常高，信息的稀缺性是制约模型能力的关键难点，从海量信息中剥离出语音到对多语言、多口音、多情绪的语音进行标注，都需要高昂的成本。因此在多模态公司的布局中，对其开发往往需要在具备一定的工艺积累和资源支持后才逐步推进。

近半年的时间以来，国内多家大厂发布了语音模型。去年7月，阿里开源了一个语音大模型项目 FunAudioLLM，包含了 SenseVoice（语音识别） 和 CosyVoice（语音生成）两个模型；今年1月，字节跳动上线了实时语音大模型，并将基于此模型全量上线豆包。App 实时语音通话功能。半年之内，诸多大厂的跟进和成绩意味着语音大模型的增长潜力不小。

而在 AI 创业公司中，鲜少有哪家语音能力突出， MiniMax 是一个，甚至其对语音大模型的开发投入时间早于大厂。2023年11月，MiniMax 就发布了初代语音大模型 abab-speech系列，支持多角色音频生成、文本角色分类等功能。发布至今，MiniMax语音模型已经支持阅文起点有声书、高途教育等近万家企业客户与个人开发者。

2024年10月，MiniMax Realtime API 亮相 RTE 2024实时互联网大会，系国内首个Realtime API。2025开年，MiniMax保持高昂的状态。在此次发布语音模型之前，就已经接连发布了影片模型S2V-01，并在Github开源了新一代MiniMax-01模型，与DeepSeek共同对传统Transformer架构与高训练成本发起挑战。MiniMax创始人透露，“我们认为这有可能启发更多长上下文的研究和应用，从而更快促进AI Agent时代的到来。开源了一方面可以逼着我们提高运算规则创新效率，另一方面也能打造全球工艺品牌。”

从文本、影片，到语音能力的全面更新，只能说，MiniMax和海螺 AI 是会给人带来惊喜的——这也是对多模态模型的长期投入和持续发力的结果。MiniMax 的主心骨一直都是面向 AGI 投入，而多模态能力就是现阶段最明晰的路径。

雷峰网原创文章，未经授权禁止转载。详情见转载须知。

- END -