在人工智能领域的快速发展中，国产大模型的进步速度让人惊叹。早在今年初，DeepSeek-R1以超低成本获得了超越 OpenAI 的表现，令人重新审视国外大模型的垄断地位。如今，MiniMax 再次带来了重磅消息:其全新一代文本转语音（TTS）模型 “Speech-02” 在国际权威的语音评测榜单 Artificial Analysis 上强势登顶，击败了 OpenAI 和 ElevenLabs 等行业巨头。
Speech-02的出色表现体现在多个关键指标上，例如字错率（WER）和说话人相似度(SIM)，均取得了新的最佳结果(SOTA)，令国外网友感到震惊，纷纷称赞 MiniMax 为音频领域的破局者。更令人惊喜的是，Speech-02的成本仅为 ElevenLabs 竞争产品的四分之一，展现了其高性价比的优势。
那么，Speech-02为何能够取得如此骄人的成绩呢?背后有两项关键技术创新。一方面，Speech-02实现了真正的零样本（zero-shot）语音克隆。这意味着只需给定一段参考语音，无需额外文本，模型就能迅速生成与目标语音高度相似的音频。这项技术显著节省了时间和资源，以往的合成方法通常需要大量样本数据。
另一方面，MiniMax 采用了全新的 Flow-VAE 架构，这种架构提升了语音生成过程中的信息表征能力，进而改善了合成音频的质量和相似度。通过引入一个可学习的 speaker 编码器，Speech-02能专注于说话者独特的发音特点，无论是音色、语调还是节奏，均能精准再现，避免了传统合成语音的生硬感。
此外，MiniMax 还引入了 T2V 框架，将开放式自然语言描述与结构化标签信息相结合，进一步提升了语音合成的灵活性和可控性。这意味着，用户不仅可以提供参考音频，还可以通过简单的描述来生成所需音色的语音，从而极大地增强了系统的多功能性。
Speech-02的成功再次印证了国产大模型在语音合成领域的强大实力，并向世界展示了中国在人工智能技术上的快速崛起。
技术文档：https://minimax-ai.github.io/tts_tech_report/