MiniMax uczy swoj glos potykac sie: w Speech 2.8 oddech i „um” sa czescia tekstu

Sztandarowa funkcja MiniMax Speech 2.8 to, jak nazywa to producent, natywne znaczniki dzwiekowe. Zamiast wklejac oddech albo smiech po syntezie, model czyta w tekscie znaczniki w rodzaju „(breath)”, „(chuckle)” czy „(clear-throat)” i generuje je jako czesc wypowiedzi, pozwalajac tempu, wysokosci i pauzom uklasc sie wokol nich. Potoczne wypelniacze — „um”, „uh”, „ah” — sa modelowane tak samo. Uzasadnienie MiniMaxa, wprost podane w komunikacie, brzmi: wczesniejsze glosy AI brzmialy chlodno wlasnie dlatego, ze byly zbyt doskonale, a to niedoskonalosci nosza akcent i emocje. Towarzysza temu dwie inne zmiany. Klonowanie glosu ma teraz uchwycic barwe, oddech i tempo mowienia z probki dziesieciosekundowej; cena — 1,50 dolara za sklonowany glos i 3 dolary za zaprojektowany — zaklada, ze uzytkownik robi to rutynowo, a nie raz. Osobno przebudowano lancuch przetwarzania, tak by usuwal z wyniku szum tla i zniekstalcenia syntezy. W sprawie jezykow firma jest nietypowo powsciagliwa. Nie oglasza zadnej liczby jezykow, tylko to, ze poprawila „przeciekanie akcentu” — rozjezdzanie sie tonow i wymowy miedzy jezykami — w jednej parze, mandarynskim i japonskim, obiecujac kolejne, ale ich nie nazywajac ani nie podajac terminow. Synteza rozliczana jest za znaki: 60 dolarow za milion w wariancie turbo i 100 dolarow za milion w HD, przez zamkniete API. W przeciwienstwie do modelu wideo H3, ktorego wagi opublikowano 3 sierpnia, Speech 2.8 wychodzi bez wag.