跳到内容

TTS-MiniMax ​

更新时间

本文整理 MPS 上调用 MiniMax 语音合成的接口用法。MiniMax 在 MPS 里以引擎代号 minimax 接入:接口、鉴权、计费、任务查询、存储全部沿用 MPS 既有的语音合成接口,只在扩展参数 ExtParam 里写 "engine": "minimax" 切到 MiniMax,再按需带上模型、情绪、语速等参数。

MiniMax 是目前接口覆盖最全的外部 TTS 引擎:同时支持语音合成、音色克隆和音色设计,并且提供七种情绪(emotion)与音量、音调的独立控制。

与其它引擎怎么选

  • 要逐字时间戳做卡拉 OK 字幕 → TTS-ElevenLabs
  • 要用一句自然语言描述口音语气 → TTS-Gemini(engineCustom.prompt)
  • 要场景化播报风格(新闻、广告、电台、ASMR…)→ TTS-Seed
  • 要自定义情绪标签,或不建音色就做克隆 → TTS-Fishaudio
  • 要枚举式情绪(高兴/悲伤/愤怒…)、音量音调独立调节、或克隆 + 设计都要 → 本文

七个引擎的完整对比见 MPS 七大 TTS 引擎横向对比。

接口与官网文档 ​

以下接口均属于 MPS「Media AI – Dubbing APIs」,官网接口地址统一在腾讯云国际站 Media AI – Dubbing APIs 目录下。

支持 minimax 的接口 ​

《MiniMax 引擎接入指引》明确列出以下 7 个接口可通过 ExtParam.engine 切到 MiniMax:

接口作用调用方式官网接口地址
TextToSpeech短文本转语音,直接返回音频同步1041/82311
CloneVoice用参考音频克隆音色同步1041/82312
TextToSpeechAsync长文本转语音,返回 TaskId异步1041/79693
DescribeTextToSpeechAsyncTask查询异步合成结果(Status / AudioUrl)同步1041/79696
DesignVoiceAsync用文字描述设计新音色,返回 TaskId异步1041/79694
DescribeDesignTask查询音色设计任务结果同步1041/79598
DescribeVoices查询可用音色(含 MiniMax 系统音色)同步1041/79695

同目录的其它接口 ​

接口作用走 MiniMax官网接口地址
UpdateVoice / DeleteVoice修改 / 删除克隆或设计的音色⏳ 接入指引未列出1041/81214 / 1041/81215
ChangeVoice音色转换⏳ 接入指引未列出1041/83750
SyncDubbing早期合一接口(克隆或合成)⏳ 接入指引未列出1041/77775

⏳ = 接入指引未提及,是否可切到 MiniMax 以实际调用为准。

公共约定:

  • 版本号 2019-06-12;接入域名国际站 mps.intl.tencentcloudapi.com(中国站 mps.tencentcloudapi.com)。
  • 鉴权统一 TC3-HMAC-SHA256(SecretId / SecretKey),签名方法见 Quick Start。
  • 每个接口频率上限 20 次/秒。

与其它引擎的能力对比 ​

MPS 上目前有七个外部 TTS 引擎。完整的横向对比(接口覆盖、情绪机制、音频参数、克隆能力、选型建议)见 Blog 里的 MPS 七大 TTS 引擎横向对比 —— 对比表只在那一篇维护,避免各篇口径不一致。

minimax 在其中的位置:能力最全的一个 —— 合成、克隆、音色设计全支持,情绪、音量、音调都能独立调。

引擎切换:ExtParam.engine ​

MPS 的语音合成接口本身不分引擎,靠 ExtParam 这个 JSON 字符串字段决定由哪个引擎执行。参数分三层:

层级作用说明
engine选引擎本文固定填 minimax
synExt.*MPS 归一化后的合成参数模型、情绪、格式、语速等,各引擎字段名统一
synExt.engineCustom.*透传 MiniMax 官方原始参数支持 MiniMax 官方请求体的全部参数

同名参数外层优先

synExt.xxx 与 synExt.engineCustom.xxx 同名时,外层 synExt 生效。想用 MiniMax 官方的某个独有参数,就只写在 engineCustom 里,不要在 synExt 重复一遍。

ExtParam 在请求里是字符串,不是对象——JSON 需要转义后作为字符串传入(见调用示例)。

minimax 主要参数 ​

参数类型必填描述
engineString是填 minimax
synExtObject否语音合成扩展参数
synExt.modelString否指定模型,支持 speech-2.6-hd(默认)、speech-2.8-hd 等
synExt.emotionString否情绪,见下方情绪取值
synExt.formatString否音频格式,可选 mp3、pcm、flac、wav、pcmu_raw、pcmu_wav、opus,默认 wav
synExt.sampleRateInteger否采样率,可选 8000、16000、22050、24000、32000、44100,默认 16000
synExt.durationFloat否指定音频时长
synExt.speedFloat否语速,取值 [0.5, 2],默认 1.0
synExt.volFloat否音量,取值 (0, 10],默认 1.0
synExt.pitchInteger否音调,取值 [-12, 12],默认 0(原音调)
synExt.cutSilenceBool否是否去除两端静音,当前仅中英文支持
synExt.engineCustomObject否引擎客制化参数。支持透传该引擎的所有官方请求参数,相同参数外层优先

情绪取值 ​

synExt.emotion 共七种,是 MiniMax 区别于另两个引擎的主要控制手段:

取值含义
happy高兴
sad悲伤
angry愤怒
fearful害怕
disgusted厌恶
surprised惊讶
calm中性

情绪与音调、音量的分工

emotion 决定整段的情感基调,pitch 和 vol 是叠加在基调上的物理调节。例如旁白要"压低且平静",用 emotion: calm + pitch: -3 比只调 pitch 更自然。

音色(VoiceId) ​

MiniMax 的 VoiceId 直接填 MiniMax 音色名,例如 Chinese (Mandarin)_News_Anchor。 可用音色通过 DescribeVoices 查询,详见查询系统音色。

参数示例 ​

一份完整的 ExtParam 对象(展开后便于阅读,实际传参需转义为字符串):

json
{
  "engine": "minimax",
  "synExt": {
    "model": "speech-2.6-hd",
    "emotion": "happy",
    "speed": 0.9,
    "engineCustom": {
      "pronunciation_dict": {
        "tone": [
          "处理/(chu3)(li3)",
          "東京/トウキョウ"
        ]
      },
      "subtitle_enable": false
    }
  }
}

这个例子里 engineCustom 的两个字段是 MiniMax 官方独有能力:

  • pronunciation_dict.tone:自定义读音。处理/(chu3)(li3) 用拼音加声调指定多音字读法,東京/トウキョウ 用假名指定日文汉字读法。
  • subtitle_enable:是否输出字幕文件。

调用示例 ​

语音合成 TextToSpeech ​

json
{
  "Text": "您好",
  "VoiceId": "Chinese (Mandarin)_News_Anchor",
  "ExtParam": "{\"engine\":\"minimax\",\"synExt\":{\"model\":\"speech-2.6-hd\",\"emotion\":\"happy\",\"speed\":0.9}}"
}

注意 ExtParam 的值是转义后的 JSON 字符串,不是嵌套对象。

音色克隆 CloneVoice ​

json
{
  "AudioData": "音频base64编码",
  "ExtParam": "{\"engine\":\"minimax\"}"
}

克隆只需指定引擎,不必带 synExt——合成参数在后续调用 TextToSpeech 时再给。

异步合成与查询 ​

长文本用 TextToSpeechAsync 提交,ExtParam 写法与同步接口完全一致,返回 TaskId;再用 DescribeTextToSpeechAsyncTask 轮询 Status,完成后从 AudioUrl 取音频。

查询系统音色 ​

用 DescribeVoices(1041/79695)查询 MiniMax 可用音色,ExtParam 只需指定引擎:

json
{
  "engine": "minimax"
}

该接口的 ExtParam 同样是 JSON 字符串形式。它还支持按条件筛选,常用入参:

参数类型说明
VoiceTypeStringsystem 系统音色 / clone 克隆音色 / design 设计音色 / all 全部(默认)
GenderStringmale / female / unknown
AgeStringchild / teenager / youth / middle_aged / senior / unknown
Languages.NArray of String语言
Labels.NArray of String标签
PageNum / PageSizeInteger分页;PageSize 留空则返回全部符合条件的数据

克隆后怎么查到自己的音色

克隆或设计出的音色也通过这个接口查询——把 VoiceType 设为 clone 或 design 即可,不传则默认 all 返回全部。

限制与注意事项 ​

  • ExtParam 是字符串:请求里必须是转义后的 JSON 字符串,直接塞对象会被判为参数错误。
  • 同名参数外层优先:synExt.xxx 覆盖 synExt.engineCustom.xxx,别在两层重复写同一个参数。
  • cutSilence 仅中英文:其它语种传了不生效。
  • 默认格式是 wav,不是 mp3——按体积敏感场景记得显式指定 format。
  • 默认采样率 16000:音乐类或高保真场景需显式提到 44100。
  • 音量取值是开区间 (0, 10]:0 非法,最小值要大于 0。
  • ⏳ 标记的接口以实际调用为准:本文的 ✅ / ⏳ 依据《MiniMax 引擎接入指引》的列举范围,未列出的接口不代表一定不可用。

相关文档 ​

文档说明
MPS 七大 TTS 引擎横向对比七个外部引擎的能力、参数与选型对比
AI 配音MPS 配音能力总览与内置引擎
TTS-ElevenLabs同一套接口的 ElevenLabs 引擎(tts-l1),支持字符级时间戳
TTS-Gemini同一套接口的 Google Gemini-TTS 引擎(tts-gg),用 prompt 控制风格,不支持克隆
TTS-Seed同一套接口的 TTS-Seed 引擎(tts-s),24 种情绪枚举
TTS-Fishaudio同一套接口的 Fish Audio 引擎(tts-f),内联情绪标签与零样本克隆
TTS-Index同一套接口的 IndexTTS 引擎(index-tts),VoiceId 直填参考音频 URL,8 维情感向量
TTS-Seedaudio同一套接口的 Seed Audio 引擎(tts-sa),唯一支持图片参考生成,字级时间戳
MiniMax MusicMiniMax 的音乐生成能力,与本文的语音合成是不同接口
Quick Start鉴权与签名方法
Media AI – Dubbing APIs官网接口目录

基于 VitePress 构建 · 部署于腾讯云 EdgeOne Pages