MiniMax Speech 2.8 HD 對上 Turbo：AI 配音指南

MiniMax Speech 2.8 最近在盲測聽感評比中同時拿下 Artificial Analysis Speech Arena 和 Hugging Face TTS Arena 的第一名——排在 OpenAI、ElevenLabs 這些知名選項之上。不管你是在做產品影片的旁白、寫角色對白，還是在定案之前先跑一百個台詞版本，選哪個模型、用什麼做法，差別都很大。這份指南會說明 Speech 2.8 HD 和 Turbo 各自怎麼運作、什麼時候該用哪一個，以及怎麼在 OmniArt 的音訊工作台上跑完整條配音流程。

多數創作者真正要做的決定，不是要不要用 AI 配音，而是怎麼快速跑完前期草稿，不要把時間和點數浪費在反正還會再改的精修成品上。MiniMax Speech 2.8 的兩層設計，正是繞著這個分工做出來的。

Speech 2.8 特別在哪裡#

Speech 2.8 HD 和 Turbo 都建在自迴歸 Transformer 架構上，搭配 Flow-VAE 解碼器。講白話一點：模型一個 token 一個 token 地生成語音，再由另一個解碼器把這些 token 轉成高保真音訊。這條流程就是 Speech 2.8 韻律自然的原因——停頓落在人會停頓的地方，重音跟著句子的意思走，而不是只落在音量最大的那個音節。

在動筆寫腳本之前，Speech 2.8 有幾個能力值得先知道：

• 多語言輸出，涵蓋大約 32 種語言，切換語言時聲音特質仍然一致。
• 情緒控制，在生成時選一個設定：開心、平靜、悲傷、生氣、恐懼、厭惡或驚訝，預設是中性。多數旁白用平靜或中性就很好；角色對白和廣告則常常適合開心或驚訝。
• 行內擬聲標記，直接寫進腳本文字裡。你可以寫 (laughs)、(sighs)、(gasps)、(clears throat)、(hmm) 以及另外 20 幾種標記，模型會把它們演成自然的發聲，而不是照字面唸出來。

這些擬聲標記，就是機械感的語音合成和可信表演之間的分界。像 Well (sighs) I suppose we could try that approach 這樣一句，跟拿掉標記的同一句，聽起來明顯不一樣。

HD 對上 Turbo：怎麼挑對層級#

兩個模型都吃最多 10,000 字元的腳本，差別在輸出音質和成本。

HD 和 Turbo 之間 2 倍的成本差距是最關鍵的訊號。一段 500 字元的腳本，用 HD 要 10 點數，用 Turbo 要 5 點數。如果一段短旁白你預期要改三次才會對，前兩次用 Turbo、最後成品用 HD，就能在這些前期草稿上省下一半點數。

怎麼寫出好用的腳本#

模型會照字面讀你給的東西，所以貼進文字框的腳本，就是你主要的創作控制項。有幾個習慣可以明顯改善結果。

有策略地用情緒設定#

先挑一個符合整體語氣的情緒設定，再用行內擬聲標記處理偏離的那幾個瞬間。一段平靜的旁白在某一句短暫轉成驚訝，比把整支片都設成驚訝有效得多。

這是一段帶擬聲標記的產品旁白範例：

把情緒設成「平靜」時，這段唸起來沉穩而有把握，(laughs softly) 帶出一個短暫的溫暖瞬間，(clears throat) 補上一個自然的轉場節拍。沒有這些標記，同樣一段話會很平。

讓腳本長度配合層級#

當你要測同一句台詞的多個版本時，Turbo 很合適。如果你替一句 200 字元的開場鉤子寫了五個版本，先全部用 Turbo 跑一次，挑出語氣最好的那一個，再用 HD 做最後的精修。這樣可以很快試聽大量選項。

句子俐落一點，節奏才自然#

子句一長串的句子會產生比較長的換氣段落，聽起來容易單調。把一個長句拆成兩個短句，通常不用改別的地方就能讓節奏變好。

語音預設#

OmniArt 上的 Speech 2.8 模型附了 353 組精選語音預設，涵蓋各種年齡、口音和音色。語音要在生成之前跟語言設定一起選好。幾個實用重點：

• 長腳本定案前先試聽。 在生成整份 2,000 字的腳本之前，先用你考慮的那個聲音跑 2–3 句節錄。
• 音色要配合內容。 溫暖、偏低的聲音適合旁白和解說；明亮、能量高的聲音比較適合輕快的產品短片。
• 語言和聲音會互相影響。 同一組預設在不同語言下的表現會略有差異。如果你要做同一段旁白的多語版本，每個語言都先生一小段測試，確認語氣真的轉得過去。

一步一步：在 OmniArt 上做出成品配音#

1. 打開音訊工作台。 前往 /create/audio，選 Speech 分頁。
2. 選模型。 交付成品選 MiniMax Speech 2.8 HD，草稿和迭代選 MiniMax Speech 2.8 Turbo。
3. 選語音預設和語言。 瀏覽 353 組預設，挑出符合這個專案的音色，再把語言設成跟腳本一致。
4. 設定情緒。 預設是中性。內容比較有表情時，可以試試開心或平靜。
5. 貼上腳本。 需要自然發聲的地方寫上行內擬聲標記。單次生成請控制在 10,000 字元以內。
6. 生成並試聽。 聽一下輸出。如果節奏或語氣不對，就調腳本——拆句子、加或減擬聲標記、換一個情緒設定——然後用 Turbo 重新生成，直到方向對了為止。
7. 用 HD 做最終成品。 腳本和語氣方向鎖定之後，切到 HD，生成可交付品質的檔案。
8. 接進你的影片專案。 把完成的旁白跟畫面或音效搭在一起——OmniArt 把圖片、影片和音訊放在同一個工作台裡，所以你不用離開平台就能把整層聲音鋪完。

Speech 2.8 和 OmniArt 上其他語音模型的關係#

OmniArt 的 Speech 分頁裡也有 Eleven Multilingual v2、Eleven v3 和 Eleven Turbo v2.5。當你想要不同的聲音庫或不同的語氣風格時，ElevenLabs 的模型是很強的選項——Eleven v3 尤其以情緒變化豐富的角色表演著稱。MiniMax Speech 2.8 和 ElevenLabs 的模型並排放在同一個工作台裡，所以你可以把同一份腳本兩邊都跑一次，比過再決定。

配音底下要鋪的音效和音樂，可以看 AI 音效生成器指南——從自訂音效到完整配樂，都能在同一次工作階段裡生出來。