MiniMax Speech 2.8 HD

MiniMax Speech 2.8 HD は、ボイスの選択と表現豊かなサウンドタグを組み合わせた、高音質な音声合成モデルです。ナレーションを、ロボットのような読み上げではなく、演技として扱います。

クリエイターが MiniMax Speech 2.8 HD を選ぶ理由

Speech 2.8 HD は、自然さ、感情のこもった話し方、サウンドタグを、別々のトラックを使わずに組み合わせ、スタジオ品質のナレーションを生成します。笑い声、ため息、その他の話し声以外の音を台本の中に直接加えられるので、キャラクターの演技や、物語が中心のプロジェクトで際立ちます。

既存のボイスを選択

この経路は、参照音声の入力を受け付けません。1 回の生成につき 1 つのボイス ID を選んでください。必要なら、キャラクターごとのセリフを別々のボイスで個別に生成します。

演技のためのサウンドタグ

(laughs)、(whispers)、(angry)、(breathes) のようなタグで、台本に印を付けます。モデルはそれらの音を、あとでつなぎ合わせる別々のステムとしてではなく、ナレーションの一部として生成します。キャラクターが笑ってから話すこともできます（どちらも 1 回の生成で）。

スタジオ水準の自然さ

このモデルは、人間らしく聞こえることを優先しています。抑揚、息づかい、間の取り方は、合成されたものではなく、意図された表現に感じられます。平板な声では没入感が損なわれるキャラクターの演技では、これが重要です。

コードスイッチングに対応した 32 言語のサポート

再生成せずに、台本の途中で言語を切り替えられます。英語で 1 文、フランス語で 1 単語、そしてまた英語に戻ります。声は各言語に合わせながら、切り替えをまたいでも一貫性を保ちます。

Craze で MiniMax Speech 2.8 HD を使う方法

1. 台本を書きます。(warmly) や (shocked) のようなサウンドタグによる声の演出と、(door slams) のような話し声以外の音を加えます。
2. 既存のボイス ID を選ぶか、用意されているプリセットのボイスを使います。
3. チャットで MiniMax Speech 2.8 HD を名前で指定するか、Models パネルで選びます。
4. Craze が、音と感情を含むナレーション全体を 1 回で生成し、プロジェクトに追加します。
5. トリミングやタイミングの調整をしたり、別のテイクが必要なセリフを再生成したりします。

MiniMax Speech 2.8 HD の料金

料金は 1,000 文字あたり $0.106 からで、台本の長さによって変わります。この経路には、ボイスの選択、サウンドタグ、言語による別の料金区分はありません。計算ツールで費用を見積もってください。

MiniMax Speech 2.8 HD が向いている人

キャラクターボイスとセリフの制作

ゲーム、アニメーション、短編映画では、はっきりと異なる複数の声が必要になることがよくあります。キャラクターごとの生成でボイスを選び、プロジェクトの中でセリフを組み立ててください。

雰囲気のある、表現豊かなナレーション

チュートリアル動画、オーディオブック、ブランドコンテンツでは、笑い声、息をのむ音、感情のこもった抑揚が効果を発揮します。MiniMax なら、(laughs nervously) と書けば、その音がナレーションの中から自然に出てきます。

多言語の台本とグローバルブランド

台本が複数の言語にまたがる場合も、MiniMax は 1 回の処理でコードスイッチングを扱います。グローバルブランドのナレーターは、3 回別々に生成することなく、英語、スペイン語、標準中国語でコピーを読み上げられます。

MiniMax Speech 2.8 HD とほかのモデルの比較

ByteDance の Seed Speech は、任意でボイスを選べる、コストパフォーマンスの高いナレーションを重視しています。MiniMax Speech 2.8 HD は、統合されたサウンドタグと 32 言語への対応を、1 回の生成で提供します。

プロンプトで調整できる、表現豊かな英語のナレーションには、Gemini 3.1 Flash TTS が、インラインのタグによる演出のコントロールを提供します。Seed Audio 1.0 は、発話の生成に、音声や画像の参照を受け付けます。16 言語にわたって感情タグ付きのナレーションをつくるなら、Qwen Audio 3.0 TTS という選択肢もあります。

サウンドタグと表現のガイド

MiniMax Speech 2.8 HD は、(angry)、(happy)、(sad)、(surprised)、(nervous) のような感情タグに加えて、(laughs)、(sighs)、(whispers)、(coughs)、(breaths) などの話し声以外の音にも対応しています。タグを重ねてニュアンスを出せます。「信じられない」に (shocked, breathless) を付けて書けば、より具体的な感情の読みになります。モデルは同じ生成の中でタグをまたいで一貫性を保つので、序盤に怒っているように聞こえたキャラクターは、あとで驚いたときも、まったく別の声ではなく、同じ人物のように聞こえます。

Craze では、サウンドタグを使った生成には、台本の長さに応じて 1 回あたり 5〜20 秒かかります。台本がとても長く、サウンドタグも多い場合は、セクションに分けると、より速く試行錯誤できます。全編を生成する前に、まず短いセクションで試してトーンを詰めてください。MiniMax には、インラインのタグを加える前に、ボイス全体に適用して基本のムードを変えられる、感情のプリセットプロファイルが用意されています。

ボイスクローンのワークフロー

この経路は、ボイスサンプルを受け付けません。既存のボイスを使うには、そのボイス ID を指定してください。録音からボイスを作成するには、別のボイスプロファイルのワークフローが必要です。複数のキャラクターが登場するシーンでは、ボイスごとに別々に生成してください。

同じ台本を同じボイスで再生成しても、違うテイクになることがあります。それぞれの結果で、話し方と一貫性を確認してください。

多言語でのサウンドタグ

MiniMax で台本の途中で言語を切り替えると、サウンドタグは言語の文脈に合わせて変わります。英語での (laughs) タグは、スペイン語や標準中国語のときと同じように聞こえますが、声の言語ごとのアクセントやタイミングは自動で変わります。市場をまたいで 1 つの声を使いたいけれど、ローカライズしたナレーションも必要な、グローバルブランドの仕事に役立ちます。

Craze での制限

Craze では、MiniMax Speech 2.8 HD が 1 回のリクエストで受け付けるテキストは、最大 4,000 文字です。それより長い台本は、テキストを分割して、結果をタイムライン上で組み合わせてください。モデルは句読点からテンポや強調を推測するので、読み上げのペースを調整するには、読点や句点を加えてください。

ボイスクローンは、Craze のこの TTS 経路の入力モードではありません。ボイス ID は受け付けますが、参照音声は受け付けません。