MiniMax известна не только языковыми моделями и видеогенератором Hailuo. У компании есть полноценное аудионаправление: синтез речи Speech, клонирование голоса и генерация песен Music. Всё это доступно в веб-сервисе MiniMax Audio и через API.
Разбираем, что умеют актуальные модели Speech 2.8 и Music 3.0, как клонировать голос, сколько стоит подписка и что изменилось с музыкальным API в августе 2026 года. Про языковую модель компании читайте наш обзор MiniMax M3.
Коротко: модели MiniMax для звука
| Модель | Дата | Что делает |
|---|---|---|
| Speech 2.8 | 23 января 2026 | озвучка текста, звуковые теги, клонирование |
| Speech 2.6 | 29 октября 2025 | быстрая озвучка для голосовых агентов |
| Music 2.6 | апрель 2026 | песни, каверы |
| Music 3.0 | 16 июля 2026 | песни с вокалом, улучшенный звук |
Speech 2.8: озвучка, которая «дышит»
Главная идея Speech 2.8 — сделать синтетическую речь неотличимой от живой. Для этого MiniMax добавила три вещи.
Звуковые теги
Живая речь полна вздохов, пауз и смешков. В Speech 2.8 их можно вставить прямо в текст тегами в скобках. Документация API перечисляет поддерживаемые теги для моделей speech-2.8: смех (laughs), смешок (chuckle), откашливание (clear-throat), вдох (breath), вздох (sighs), напевание (humming), аплодисменты (applause) и другие — всего больше двадцати.
Пример из анонса MiniMax:
Hey, it’s me. How are ya? (chuckle) I hope you’re having an awesome day! … but (breath) I’m just recovered and ready to roll.
Модель также воспроизводит разговорные «эм», «ну», «а» — с естественным ритмом и интонацией.
Чистый звук
MiniMax заявляет переработанный движок обработки: меньше фонового шума и цифровых артефактов, звучание «как у диктора в студии».
40 языков, включая русский
Модели синтеза речи MiniMax поддерживают 40 языков. Русский — в списке, как и украинский, английский, китайский, испанский, немецкий, турецкий и другие.
HD или Turbo
| Модель | Особенность |
|---|---|
| speech-2.8-hd | максимальная реалистичность, звуковые теги |
| speech-2.8-turbo | скорость и естественность |
| speech-2.6-hd / turbo | низкая задержка, для голосовых агентов |
Клонирование голоса
По словам MiniMax, Speech 2.8 достаточно 10-секундного образца, чтобы передать тембр, дыхание и темп речи.
Требования к записи (по документации API)
- форматы: MP3, M4A или WAV;
- длительность: от 10 секунд до 5 минут;
- размер файла: до 20 МБ;
- дополнительно можно загрузить короткий пример до 8 секунд с расшифровкой — это повышает сходство и стабильность.
Важная деталь: если клонированный голос не использовался 7 дней, система его удаляет. Сделали клон — сразу озвучьте хотя бы тестовую фразу.
Как записать образец
- Тихая комната без эха — шкаф с одеждой работает лучше пустой кухни.
- Микрофон в 15–20 сантиметрах от рта, ровная громкость.
- Читайте естественно, в том темпе, в каком хотите слышать клон.
- Без музыки, шумов и чужих голосов на фоне.
Клонируйте только свой голос или голос человека, который дал на это согласие. Как устроено клонирование у главного конкурента — в нашем обзоре ElevenLabs v4 и озвучки на русском.
Дизайн голоса: голос по описанию
Если подходящего голоса нет в библиотеке, а клонировать некого, есть Voice Design: вы описываете голос текстом, и модель создаёт новый. Например: «спокойный мужской баритон, лет сорок, лёгкая хрипотца, говорит неторопливо и тепло». Через API такой голос стоит $3.
Это удобно для персонажей игр, аудиоспектаклей и брендовых голосов, когда нельзя использовать голос реального человека.
Как подготовить текст для озвучки
Даже лучшая модель звучит неестественно, если текст писался для чтения глазами. Несколько правил:
- Короткие предложения. Длинная фраза с тремя причастными оборотами сбивает интонацию.
- Числа и сокращения словами. «2026 г.» лучше написать как «две тысячи двадцать шестой год», «т. е.» — как «то есть».
- Пунктуация управляет паузами. Запятая — короткая пауза, точка — длинная, многоточие — задумчивость.
- Ударения в омографах. «Замок» и «замок» модель может перепутать — перефразируйте или проверьте результат.
- Теги — точечно. Один смешок или вдох на абзац звучит живо, пять подряд — карикатурно.
Сколько стоит
Подписка MiniMax Audio
| План | Цена в месяц | Аудио-баллы в месяц | Слоты голосов |
|---|---|---|---|
| Starter | $5 | 100 000 | 10 |
| Standard | $30 | 300 000 | 100 |
| Pro | $99 | 1 100 000 | 250 |
| Scale | $249 | 3 300 000 | 500 |
| Business | $999 | 20 000 000 | 800 |
При оплате за три месяца скидка 10%, за год — 20%. Все планы поддерживают все речевые модели.
Оплата по факту через API
- озвучка speech-2.8-turbo — $60 за миллион символов;
- озвучка speech-2.8-hd — $100 за миллион символов;
- быстрое клонирование — $1,5 за голос;
- дизайн голоса по описанию — $3 за голос.
Синхронный запрос озвучивает до 10 000 символов, асинхронный — до миллиона: этого хватит на аудиокнигу.
Music 3.0 и что случилось с музыкальным API
Music 3.0 вышла 16 июля 2026 года. MiniMax выделяет три улучшения:
- понимание замысла — меньше «дрейфа» от заданного стиля;
- качество звука — чище микс, конкретные инструменты и приёмы игры вроде слайдов и легато;
- вокал — без высокочастотного «цифрового шипения», с контролем мелодии, произношения, дыхания и бэк-вокала.
Генерация идёт по двум полям: описание музыки (стиль, настроение, сцена) и текст песни со структурой — куплет, припев, бридж.
Изменения с 20 августа 2026 года
Платные API генерации музыки и текстов песен больше не доступны новым пользователям; действующие платные клиенты продолжают работать. Бесплатные музыкальные API (Music-3.0-free, Music-2.6-free, music-cover-free) отключены. Попробовать музыку MiniMax теперь можно двумя путями:
- В веб-сервисе MiniMax Audio.
- Через открытую модель MiniMax Music 3 на Hugging Face.
Можно ли запустить Music 3 у себя
Да, но это серверная задача. По документации MiniMax, модель генерирует песни примерно до пяти минут, файлы занимают около 57,4 ГБ, нужна видеокарта NVIDIA с CUDA; эталонная конфигурация — одна NVIDIA H200. Минимальные требования к памяти официально не опубликованы.
Если нужна просто песня на русском, проще взять готовый сервис — например, разобранный нами Suno v6 для песен на русском.
MiniMax Audio или ElevenLabs
| MiniMax Audio | ElevenLabs | |
|---|---|---|
| Минимальный платный план | Starter, $5 в месяц | Starter, $6 в месяц |
| Клонирование | от 10 секунд записи | мгновенное — от 1–2 минут записи, на Starter и выше |
| Русский язык | есть, среди 40 языков | есть |
Выбор зависит от задачи: для массовой многоязычной озвучки через API MiniMax выглядит выгодно по цене, у ElevenLabs шире экосистема инструментов для авторов. Лучший способ — озвучить один и тот же абзац в обоих сервисах и сравнить.
Для чего подходит MiniMax Audio
- Озвучка роликов на нескольких языках одним голосом.
- Аудиокниги и подкасты — асинхронный синтез длинных текстов.
- Голосовые агенты — быстрые Turbo-модели с низкой задержкой.
- Озвучка видео из Hailuo — экосистема одной компании. Как делать видео со звуком в новой модели, читайте в гайде по MiniMax H3 в Hailuo.
Частые вопросы
Поддерживает ли MiniMax русский язык?
Да, русский входит в список 40 языков синтеза речи.
Сколько секунд записи нужно для клона голоса?
По документации — минимум 10 секунд, максимум 5 минут.
Почему пропал мой клонированный голос?
Клон, который не использовался 7 дней, удаляется автоматически.
Можно ли сейчас подключить музыкальный API?
Новым пользователям — нет: с 20 августа 2026 года платный музыкальный API для них закрыт. Используйте веб-сервис MiniMax Audio или открытую модель Music 3.
Чем HD отличается от Turbo?
HD — максимальная реалистичность и звуковые теги, Turbo — быстрее и дешевле.
