TTS-MiniMax
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 |
|---|---|---|---|
engine | String | 是 | 填 minimax |
synExt | Object | 否 | 语音合成扩展参数 |
synExt.model | String | 否 | 指定模型,支持 speech-2.6-hd(默认)、speech-2.8-hd 等 |
synExt.emotion | String | 否 | 情绪,见下方情绪取值 |
synExt.format | String | 否 | 音频格式,可选 mp3、pcm、flac、wav、pcmu_raw、pcmu_wav、opus,默认 wav |
synExt.sampleRate | Integer | 否 | 采样率,可选 8000、16000、22050、24000、32000、44100,默认 16000 |
synExt.duration | Float | 否 | 指定音频时长 |
synExt.speed | Float | 否 | 语速,取值 [0.5, 2],默认 1.0 |
synExt.vol | Float | 否 | 音量,取值 (0, 10],默认 1.0 |
synExt.pitch | Integer | 否 | 音调,取值 [-12, 12],默认 0(原音调) |
synExt.cutSilence | Bool | 否 | 是否去除两端静音,当前仅中英文支持 |
synExt.engineCustom | Object | 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):
{
"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
{
"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
{
"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:
{
"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 |
|---|---|---|
VoiceType | String | system 系统音色 / clone 克隆音色 / design 设计音色 / all 全部(默认) |
Gender | String | male / female / unknown |
Age | String | child / teenager / youth / middle_aged / senior / unknown |
Languages.N | Array of String | 语言 |
Labels.N | Array of String | 标签 |
PageNum / PageSize | Integer | 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 Music | MiniMax 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 |