原生語音轉語音
直接的音訊轉音訊處理可將延遲控制在 <300ms，確保對話自然流暢。
Speech 2.5 Turbo Preview
MiniMax 的 Speech 2.5 API 提供高保真、低延遲的原生音訊體驗。它支援原生語音轉語音處理與 3 秒零樣本語音複製，非常適合打造反應靈敏且具備情感智慧的 AI 代理程式。
API 呼叫範例
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 定價
聊天、程式開發代理與文件處理。以每 1M Token 計價 — 輸入、快取輸入與輸出分開計費。GPTProto 比官方費率低 40%。
| 場景 | MiniMax 牌價 | OpenRouter | GPTProto | 每月節省 |
|---|---|---|---|---|
| Personal10M tokens / 月 | $120.00 | $126.60 | $72.00 | −$48.00≈ $576.00 / 年 |
| Team100M tokens / 月 | $1200.00 | $1266.00 | $720.00 | −$480.00≈ $5760.00 / 年 |
| Business500M tokens / 月 | $6000.00 | $6330.00 | $3600.00 | −$2400.00≈ $28800.00 / 年 |
每月節省 $0.00
年省約 $0.00 · 隨用隨付
Speech 2.5 API 的主要功能
探索 Speech 2.5 API 的技術能力，了解其成為業界情感化即時音訊領導者的原因。
零樣本語音複製
僅需 3 秒的語音樣本，即可高保真地複製任何聲音，立即實現個人化。
動態情感韻律
生成笑聲、嘆息與呼吸聲，營造極其逼真的人類臨場感。
48kHz 高清音訊輸出
支援高解析度、錄音室品質的音訊傳輸，適用於專業製作。
Speech 2.5 API 常見問題
取得在即時語音應用程式與服務中實作 Speech 2.5 API 所需的技術洞察與定價詳情。
Speech 2.5 API 如何處理延遲？
Speech 2.5 API 採用原生語音到語音（S2S）架構，省去中間的文字轉錄層。在最佳條件下，這可將首次音訊回應時間（Time-To-First-Audio）縮短至約 280 毫秒。若要在互動式應用程式中實現最低延遲，我們建議使用 WebSocket 串流介面，而非標準的分塊 HTTP。
這個 2.5 模型支援語音複製嗎？
是的，2.5 turbo 模型支援零樣本語音複製。只需 3 秒的音訊樣本，即可複製說話者的聲音。此流程不需要額外訓練或微調，您可以透過 /v1/audio/voices 端點立即生成具有特定音色或口音的語音。
Speech 2.5 API 的定價是多少？
定價同時依據輸入的 token 數量和輸出的音訊時長計算。輸入文字的價格為每 1M tokens $2.00，輸入音訊則為每分鐘 $0.015。生成的輸出音訊按每分鐘 $0.030 計費。GPTProto.com 使用者可享有統一計費服務，以及重複工作階段中快取音訊提示的 50% 折扣。
我的語音資料會用於模型訓練嗎？
不會。根據我們的企業隱私權政策，透過 Speech 2.5 API 處理的所有音訊和文字資料，不會由我們或 MiniMax 用於訓練。您的智慧財產與語音複製內容會在您的專案環境中維持私密與安全。
它與 GPT-4o 音訊模式相比如何？
GPT-4o 的 TTFA 略快（約 240 毫秒），但 Speech 2.5 API 提供 48kHz 的更高取樣率，相較之下 GPT-4o 為 24kHz。此外，Speech 2.5 能提供更出色的非語言情緒線索，例如可聽見的嘆氣與笑聲；這些表現通常在其他低延遲模型中有所限制。
我可以使用 API 進行雙語語音嗎？
當然可以。此模型針對超過 25 種語言的雙語語碼轉換進行最佳化。它能在單一句子中於英語和中文等語言之間切換，同時完美維持說話者的身分與情緒表達一致性。
延伸閱讀
與本模型相關的指南、對比與更新。
所有文章
