MiniMax 語音合成：中文配音、有聲書與影片旁白

MiniMax 的 Speech 系列把文字變成音檔。官方文件寫它支援 40 種語言與 300 多個系統音色，同步合成單次上限 10,000 字元，非同步長文單次上限 1,000,000 字元。要做中文配音、有聲書或影片旁白，你真正要決定的只有三件事：走網頁版還是 API、挑哪一個音色、參數怎麼調。如果你是搜「配音 AI」找工具的，成品好不好也就看這三件事。

這篇把當天在官網查到的規格整理成可以照做的步驟：兩條路的最小操作、音色怎麼找、情緒與停頓怎麼寫、輸出格式與取樣率、費用與免費額度、聲音複製的驗證與授權規則，還有有聲書的分段做法。模型改版很快，動手前再開一次官方文件。

兩條路：網頁版與 API

網頁版叫 MiniMax Audio，登入後貼文字、挑音色、試聽、下載，適合一次做一兩段、邊聽邊改。API 走開放平台，申請金鑰後用 HTTP 或 WebSocket 呼叫，適合整批文章或整本書。介面以官網當天為準。

1. 在開放平台申請金鑰，存進環境變數。
2. 選 model：音質取向用 hd，速度與成本取向用 turbo。
3. 準備 voice_id：系統音色、複製音色或設計出來的音色。
4. 把文字與參數 POST 到同步端點 t2a_v2。
5. 回傳的 audio 是十六進位字串；output_format 設 url 就直接拿連結。

# 金鑰放環境變數，不要寫死在程式碼或前端
export MINIMAX_API_KEY="your-key"

curl --location 'https://api.minimax.io/v1/t2a_v2' \
  --header "Authorization: Bearer ${MINIMAX_API_KEY}" \
  --header 'Content-Type: application/json' \
  --data '{
    "model": "speech-2.8-hd",
    "text": "第一段唸完停一下<#0.6#>再接第二段。",
    "language_boost": "Chinese",
    "output_format": "url",
    "subtitle_enable": true,
    "voice_setting": {
      "voice_id": "Chinese (Mandarin)_Radio_Host",
      "speed": 1,
      "vol": 1,
      "pitch": 0
    },
    "audio_setting": {
      "sample_rate": 44100,
      "bitrate": 128000,
      "format": "mp3",
      "channel": 1
    }
  }'

MiniMax 是什麼：海螺 AI、影片與語音生成，台灣使用者怎麼用

語音合成（TTS）是什麼：讓文字成為聽得懂、聽得對的聲音

語言與中文：官方寫了什麼、沒寫什麼

非同步長文說明頁寫模型「完整支援全球 40 種常用語言」，清單第 1 項是 Chinese、第 2 項是 Cantonese。同步 API 的 language_boost 也有 Chinese 與 Chinese,Yue（粵語），共 40 個語言選項再加一個 auto。

繁體與台灣口音則要說清楚：音色清單與 API 文件當天都查不到「繁體中文」或「台灣口音」這幾個字，中文分類只有 Chinese (Mandarin) 與 Cantonese，官方沒有任何承諾，以官網為準。要用在台灣的作品上，先拿自己的稿子試唸一段。

挑音色與調參數

系統音色清單頁把 voice_id 列成表格，當天數下來 332 個，標成 Chinese (Mandarin) 的 34 個、Cantonese 的 6 個。也可以用 Get Voice API 列出帳號能用的音色；複製的音色要先成功合成過一次才查得到。清單裡沒有合用的，就用音色設計（試聽上限 500 字元）或快速聲音複製（試聽上限 1,000 字元）自己生。

# 列出這個帳號現在能用的音色
curl --location 'https://api.minimax.io/v1/get_voice' \
  --header "Authorization: Bearer ${MINIMAX_API_KEY}" \
  --header 'Content-Type: application/json' \
  --data '{ "voice_type": "all" }'

• 語速 speed：0.5 到 2，預設 1.0。
• 音量 vol：大於 0 到 10，預設 1.0。
• 音調 pitch：-12 到 12，預設 0 是原本音高。
• 情緒 emotion：happy、sad、angry、fearful、disgusted、surprised、calm、fluent、whisper 共 9 個值，預設由模型自動挑；whisper 在 speech-2.8 系列不支援。
• 停頓：文字裡插入 <#x#>，x 是秒數，範圍 0.01 到 99.99，最多兩位小數，不能連著用兩個。
• 讀音：半形括號包住漢語拼音、IPA 或粵拼，指定破音字與專有名詞怎麼唸。
• 語氣詞：只有 speech-2.8 系列支援，(laughs)、(sighs)、(breath) 這類標記直接寫進文字。

speech-2.8 是官網說明裡最新的一代，發布日寫 2026 年 1 月 23 日。先用預設值整段唸一次，只在明顯不對的地方調一個參數，比一次調四個容易找出原因。

閱讀完整文字說明

五個步驟的流程圖。第一步選音色：系統音色 332 個，其中中文普通話 34 個、粵語 6 個，也可以自建複製音色。第二步調參數：語速 0.5 到 2、音量 0 到 10、音調 -12 到 12、情緒 9 種可選，停頓可自訂秒數。第三步產生：同步單次上限 10,000 字元，超過 3,000 字改用串流，模型選 hd 或 turbo。第四步試聽：複製音色的試聽文字上限 1,000 字元，設計音色 500 字元，不對先換音色。第五步輸出：mp3、wav、flac 等格式，取樣率 8,000 到 44,100，下載連結有效 24 小時，可加字幕時間戳。左下方是長文與有聲書路線：非同步 API 單次上限 1,000,000 字元，建立任務後拿 task_id，完成再用 file_id 下載，下載網址有效 9 小時，可回句級字幕時間戳。右下方是聲音複製的規則：需通過個人或企業驗證，上傳錄音 10 秒到 5 分鐘、20 MB 以內，168 小時（7 天）未使用即刪除，第一次合成才收 1.5 美元。最下方提醒兩件事：要複製的聲音必須取得權利人授權，官網禁止冒充任何人；輸出請標示 AI 生成，價格與規格以官網當天頁面為準。

輸出格式與有聲書工作流

format 支援 mp3、pcm、flac、wav、opus 等七種，預設 mp3；sample_rate 可選 8000 到 44100 之間的六段；bitrate 只對 mp3 有效；channel 填 1 是單聲道。output_format 選 url 時連結有效 24 小時。打開 subtitle_enable 可以拿字幕時間戳，影片旁白對軸很好用。

同步 API 單次上限 10,000 字元，超過 3,000 字元文件建議改用串流。整本書用非同步長文 API：單次上限 1,000,000 字元，建立任務拿 task_id，完成後用 file_id 下載，網址有效 9 小時。文件另註明無效字元比例超過 10% 會直接回錯誤，從排版軟體複製的稿子送出前先清一次。

• 一章一個任務，檔名對上章節編號，重做不用重跑整本。
• 段落之間用換行分段，文件寫段落分隔就是換行字元。
• 標點決定呼吸，超長句先斷成短句再送。
• 章名之後、對白之前插 <#x#> 標記，不要靠多打空白。
• 專有名詞與破音字用 pronunciation_dict 做整本統一替換。

"""一章一個非同步任務；金鑰讀環境變數 MINIMAX_API_KEY。"""
import os
import requests

api_key = os.environ["MINIMAX_API_KEY"]
payload = {
    "model": "speech-2.8-hd",
    "text": open("chapter-01.txt", encoding="utf-8").read(),
    "language_boost": "Chinese",
    "voice_setting": {"voice_id": "Chinese (Mandarin)_Radio_Host", "speed": 1, "vol": 1, "pitch": 0},
    "audio_setting": {"audio_sample_rate": 44100, "bitrate": 128000, "format": "mp3", "channel": 1},
}
resp = requests.post(
    "https://api.minimax.io/v1/t2a_async_v2",
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json=payload,
    timeout=60,
)
print(resp.json())  # 取回 task_id，輪詢狀態，完成後用 file_id 下載

自動語音辨識（ASR）是什麼：把錄音轉成可核對的文字

MiniMax 海螺影片生成教學：從註冊到下載第一支 AI 影片

MiniMax 音樂生成怎麼用：從一段描述與歌詞做出一首歌

費用與免費額度

開放平台依用量計價，語音合成照字元算。音色設計 3 美元、快速聲音複製 1.5 美元，都是第一次拿去合成才收費，不是產生當下就收；試聽音檔另外照字元計費，兩份官方頁面的單價不同，以官網為準。

網頁版走訂閱：付費條款寫 Starter 每月 5 美元含 100,000 點、Standard 每月 30 美元含一百萬點，每月贈送的點數月底到期。開放平台另有一份語音訂閱表，數字不一樣（Standard 每月 30 美元 300,000 點），兩份對應不同產品，付款前先確認自己在哪一邊。免費額度只查到一句：免費使用者登入後可獲得每日限時的免費額度；官網沒有台幣定價，也沒有台灣可用性的專門說明，以官網為準。

聲音複製、商用與標示

技術規定：上傳的錄音支援 mp3、m4a、wav，長度至少 10 秒、最長 5 分鐘，檔案不超過 20 MB，另可上傳 8 秒以內的示範音訊提高相似度。API 總覽頁寫得更直接：聲音複製需要個人或企業驗證。複製與設計出來的音色都是暫時的，168 小時（7 天）內沒被合成 API 用過就會刪除。

授權規定寫在服務條款：輸入內容必須是你的原創或你已取得必要、有效且合法的權利；若包含任何個人的聲音，你必須擁有完整合法權利或取得權利人授權。禁止事項列了九項，包含誹謗他人、冒充任何人或虛稱關係、侵害未成年人權益、散布不實或誤導資訊。

輸出能不能商用？條款沒有一句直接寫「可以商用」。使用者生成內容那一節寫「我們不主張對使用者投稿與使用者生成內容的所有權」，同時要你授權 MiniMax 一份免權利金、永久、不可撤銷、全球、非專屬的授權；另一節寫個人非商業使用，但該節開頭已註明只涵蓋你造訪當下網站上既有的內容。條款也寫 MiniMax 可能在輸出裡嵌入識別碼或浮水印，未經授權不得移除，你也有責任清楚標示 AI 生成的內容。要接案或上架有聲書，先讀完當天的條款，以官網為準。

資料流向也看一眼：服務條款寫營運方是一家新加坡公司，隱私政策當天標示更新於 2025 年 12 月 9 日，寫一般不會把個人資料傳到新加坡以外的國家，服務對象限 16 歲以上。

使用中國系 AI App 前的資安檢查清單

MiniMax M 系列模型：開放權重、授權條款與 API 價格

最後一句提醒：一段夠像的合成語音就足以冒充一個人打電話借錢，這是深偽最便宜的用法。把 AI 生成標示在作品上、保留可查的來源歷程，是保護自己，也保護被複製的人。

深偽（Deepfake）是什麼：分清合成痕跡、來源與事件真假

內容憑證（Content Credentials）：查來源歷程，不替真假背書

ChatGPT 語音模式：練英文、口說翻譯與免手打的完整做法

• AI 工具
• 教學
• AI 圖片、影片與聲音