料金プラン+7% ボーナス
MiniMax
Speech 2.5 Turbo Preview
MiniMaxのSpeech 2.5 APIは、高忠実度かつ低レイテンシーの音声ネイティブ体験を提供します。ネイティブな音声間処理と3秒のゼロショット音声クローンに対応しており、応答性と感情理解に優れたAIエージェントに最適です。

モダリティ

入力: テキスト
出力: 音声

—

今すぐ $50 をチャージ → Oct 31 – Nov 30 · 枠に限りあり · 先着順
今すぐチャージ
API 利用例
curl --request POST "https://gptproto.com/api/v3/minimax/speech-2.5-turbo-preview/text-to-audio" \
    --header "Authorization: Bearer $GPTPROTO_API_KEY" \
    --header "Content-Type: application/json" \
    --data '{
        "text": "A tiny origami fox sailing a teacup across a moonlit puddle",
        "voice_id": "Wise_Woman",
        "speed": 1,
        "volume": 1,
        "pitch": "0",
        "emotion": "happy",
        "english_normalization": false,
        "sample_rate": 8000,
        "bitrate": 32000,
        "channel": 1,
        "format": "mp3",
        "language_boost": "",
        "enable_sync_mode": false
    }'
Speech 2.5 Turbo Preview 料金

チャット、コーディングエージェント、ドキュメント作業。1Mトークン単位の料金 — 入力、キャッシュ入力、出力は別々に課金。GPTProtoは公式料金より40%低価格です。

シナリオMiniMax リストOpenRouterGPTProto月間の節約
個人10M トークン / 月$120.00$126.60$72.00−$48.00≈ $576.00 / 年
チーム100M トークン / 月$1200.00$1266.00$720.00−$480.00≈ $5760.00 / 年
ビジネス500M トークン / 月$6000.00$6330.00$3600.00−$2400.00≈ $28800.00 / 年
提供元別の月額コスト
OpenRouter
$0.00
MiniMax
$0.00
GPTProto
$0.00
月あたり $0.00 節約
年間節約 ≈ $0.00 · 従量課金

Speech 2.5 APIの主な機能

感情豊かなリアルタイム音声において、Speech 2.5 APIを業界のリーダーたらしめる技術的能力をご覧ください。

ネイティブ音声間変換

音声から音声へのダイレクト処理により、自然でスムーズな会話を実現する300ミリ秒未満のレイテンシーを保証します。

ゼロショット音声クローニング

わずか3秒のサンプルだけで、あらゆる音声を高い忠実度で再現し、即座にパーソナライズできます。

ダイナミックな感情プロソディ

笑い声、ため息、呼吸音を生成し、驚くほどリアルな人間らしさを作り出します。

48kHz HDオーディオ出力

プロフェッショナルな制作に適した、ハイビジョンかつスタジオ品質の音声出力に対応します。

Speech 2.5 API よくある質問

リアルタイムの音声アプリケーションやサービスにSpeech 2.5 APIを導入するための技術的な知見と料金の詳細をご確認ください。

Speech 2.5 API はレイテンシーにどのように対応していますか？

Speech 2.5 API は、中間のテキスト文字起こしレイヤーを排除するネイティブな音声間音声（S2S）アーキテクチャを採用しています。これにより、最適な条件下では初回音声出力までの時間（Time-To-First-Audio）が約280msに短縮されます。インタラクティブアプリケーションで可能な限り低いレイテンシーを実現するには、標準のチャンク分割HTTPではなく、WebSocketストリーミングインターフェースの使用を推奨します。

この2.5モデルは音声クローンに対応していますか？

はい。2.5 turboモデルはゼロショット音声クローンに対応しています。わずか3秒の音声サンプルだけで、話者の声を再現できます。このプロセスでは追加のトレーニングやファインチューニングは必要なく、/v1/audio/voicesエンドポイントを介して、特定の声質やアクセントの音声をすぐに生成できます。

Speech 2.5 API の料金はいくらですか？

料金は、入力のトークン数と出力の音声時間の両方に基づいて決まります。入力テキストは100万トークンあたり2.00ドル、入力音声は1分あたり0.015ドルです。生成された出力音声には1分あたり0.030ドルが課金されます。GPTProto.comのユーザーは、請求の一元管理に加え、繰り返しのセッションでキャッシュされた音声プロンプトを50%割引で利用できます。

私の音声データはモデルのトレーニングに使用されますか？

いいえ。Enterprise Privacy Policyに基づき、Speech 2.5 APIで処理された音声およびテキストデータが、当社またはMiniMaxによるトレーニングに使用されることはありません。お客様の知的財産と音声クローンは、プロジェクト環境内で非公開かつ安全に保護されます。

GPT-4oの音声モードと比べてどう違いますか？

GPT-4oのTTFA（約240ms）のほうがわずかに高速ですが、Speech 2.5 APIはGPT-4oの24kHzに対して、48kHzというより高いサンプリングレートを提供します。さらに、Speech 2.5は、聞き取れるため息や笑い声など、より豊かな非言語的感情表現を実現します。こうした表現は、他の低レイテンシーモデルでは制限されていることがよくあります。

APIをバイリンガル音声に使用できますか？

もちろんです。このモデルは、25以上の言語にわたるバイリンガルなコードスイッチングに最適化されています。話者のアイデンティティと感情表現の一貫性を完全に保ちながら、1つの文の中で英語と中国語のように言語を切り替えられます。

関連記事

このモデルに関連するガイド、比較、最新情報。

すべての記事