战

实战中心

TTS 语音合成评测

← 返回实战列表
🔊 TTS 语音合成评测

MiniMax 音色克隆实操:小白从零复刻一个声音并评测

2026-07-30 · 界面版 + API 版双路线 · 官方文档逐参数核对(2026-07 快照)· 配套评测脚本可直接跑

网页版 MiniMax Audio(零代码) API 版 3 个接口跑通全流程 样本要求 10 秒~5 分钟 mp3/m4a/wav 预算 约 10~11 元(API 版全程)
本页导航: 先看结论 原理 60 秒 第 0 步:录样本 路线 A:网页版 路线 B:API 版 评测三级跳 费用账单 踩坑清单 合规三句话

一、先看结论:两条路线选哪条

路线 A · 网页版
MiniMax Audio 网页上点几下鼠标,10 分钟出克隆音色,注册送免费积分基本够玩。适合:先感受效果、给家人朋友做着玩。缺点:音色锁在网页产品里,接不进你自己的程序。
路线 B · API 版
开放平台 3 个接口:上传音频 → 复刻 → 合成,全程复制粘贴命令即可。适合:想把克隆音色用到外呼/播客/自动化流程里。花费约 10~11 元(9.9 元音色费 + 几毛钱合成费)。
评测 · 三级跳
① 盲听 ABX(零工具)→ ② WER 可懂度(ASR 转写对比)→ ③ SIM 相似度(声纹模型算余弦)。第 6 章给了可直接跑的脚本,小白做完 ① 就够用。
建议顺序:先走路线 A 花 10 分钟建立手感 → 觉得像、想真用 → 再走路线 B 把音色变成自己程序里的一个 voice_id 参数。两条路线互不冲突,账号也可以分开。

二、原理 60 秒:你到底在做什么

MiniMax 的音色克隆是零样本(zero-shot)路线:不训练模型、不上传几小时录音,系统从你的 10 秒~5 分钟样本里提取"这个人的声音特征",绑定到一个你起名字的 voice_id 上。之后任何文本 + 这个 voice_id,就能用你的音色说话。

步骤你做什么系统做什么产出
① 上传交一段你的录音存文件、做风控审核file_id(一串数字)
② 复刻给音色起个名字提取声音特征并绑定voice_id(你的音色资产)
③ 合成发任意文本 + voice_id用你的音色朗读mp3 音频
关键认知:克隆本身秒级完成、不单独收费——9.9 元的音色费是在你第一次用这个 voice_id 正式合成时才收。所以"复刻十个候选音色、试听后只转正最像的一个"是省钱的正确姿势(试听走 2 元/万字符的试听计费,不触发 9.9 元)。

三、第 0 步:录一段合格的样本(两条路线通用,成败在此)

官方硬性要求只有三条:mp3 / m4a / wav 格式、时长 10 秒~5 分钟、文件不超过 20MB。但"能通过"和"克隆得像"是两回事,下面是决定效果的软规范:

项目要求为什么
环境安静房间,关空调/风扇,远离窗户底噪和混响会被当成"你声音的一部分"克隆进去
时长20~60 秒最稳(10 秒是底线不是目标)零样本路线 30 秒后收益递减,5 分钟不会更像
内容正常语速朗读一段完整的话,情绪平稳克隆会连语气一起学;念得夸张,合成就夸张
单人只有你一个人的声音,无 BGM 无对话多人声音会让特征提取混淆
设备手机备忘录/录音 App 即可(m4a 直接可用)不需要专业麦;手机离嘴 20~30cm 防喷麦

没词可念?直接用这段(约 30 秒,故意覆盖数字、疑问、陈述三种语气):

朗读文本(录音时念这个)
大家好,我平时喜欢在周末去公园散步,顺便买一杯三十五块钱的手冲咖啡。
你要问我为什么喜欢这样安排?其实很简单,安静的早晨能让人想清楚很多事情。
今天是七月三十号,天气不错,希望你听到这段声音的时候,心情也一样好。
录完自检 10 秒:戴耳机回放一遍——听得到电流声/回声/键盘声任何一样,就换个地方重录。这 10 秒自检比后面所有调参都值钱。

四、路线 A:网页版 MiniMax Audio(零代码,10 分钟)

MiniMax 把克隆做成了网页产品 MiniMax Audio:国内入口 minimaxi.com/audio,国际版 minimax.io/audio(界面为英文,注册送免费积分)。两边功能一致:语音合成、音色库、声音克隆(Voice Clone)、音色设计、人声提取。

  1. 注册并登录

    手机号或邮箱注册即可,登录后会送免费积分(额度以页面提示为准),玩克隆 + 合成基本够。

  2. 进入声音克隆入口

    在左侧栏找到「声音克隆」(国际版是 Voices → Create Your Voice Clone)。UI 文案随版本会微调,认准"克隆/Clone"字样即可。

  3. 上传或现场录音

    两种方式二选一:上传文件(把第 0 步录好的 m4a/mp3/wav 拖进去)或在线录音(对着页面念第 0 步的朗读文本,10 秒以上)。

  4. 给音色命名并提交

    起个认得出的名字(比如"我的声音-0730")。提交后秒~分钟级就会出现在你的音色列表里。

  5. 用克隆音色合成第一句话

    回到「语音合成」页,输入任意文本,音色选择器里挑刚才的克隆音色,点生成 → 试听 → 下载 mp3。到这一步你已经完成了一次完整的音色复刻。

网页版的边界:克隆出的音色属于这个网页产品,不能直接当开放平台 API 的 voice_id 用(两套体系、两套账号)。要接程序,走路线 B 重新复刻一次。

五、路线 B:开放平台 API(3 个接口跑通全流程)

5.1 准备:账号、认证、API Key

  1. 注册开放平台并完成实名认证

    入口 platform.minimaxi.com。注册后务必完成个人或企业认证——这是官方硬门槛,没认证调复刻接口会报错 2038 无复刻权限。

  2. 充值一点余额

    按量计费,充 20 元足够本教程全程(明细见第七章账单)。余额不足报错 1008。

  3. 创建 API Key

    控制台「账户管理 → 接口密钥」新建一个 Key,复制保存。终端里先设成环境变量,后面命令直接引用:

    $ export MINIMAX_KEY="粘贴你的APIKey"

5.2 第 1 步:上传样本音频 → 拿到 file_id

上传(把 sample.m4a 换成你的录音路径)
$ curl -s https://api.minimaxi.com/v1/files/upload \
    -H "Authorization: Bearer $MINIMAX_KEY" \
    -F purpose=voice_clone \
    -F file=@sample.m4a
# 返回(记下 file_id 这串数字):
{"file":{"file_id":312690747959545,"bytes":512340,"purpose":"voice_clone",...},
 "base_resp":{"status_code":0,"status_msg":"success"}}

5.3 第 2 步:复刻 → 拿到 voice_id(顺便免费到位试听)

voice_id 由你自己起名,规则:8~256 位、首字符必须是英文字母、只能含字母数字和 - _、末位不能是 - _、不能与已有重复。带上 text + model 两个参数可以让它顺手合成一段试听(按 2 元/万字符的试听价计费,不触发 9.9 元音色费):

复刻 + 试听
$ curl -s https://api.minimaxi.com/v1/voice_clone \
    -H "Authorization: Bearer $MINIMAX_KEY" \
    -H "Content-Type: application/json" \
    -d '{
      "file_id": 312690747959545,
      "voice_id": "MyVoice20260730",
      "text": "你好,这是我的克隆音色试听,听听像不像我本人。",
      "model": "speech-2.8-hd",
      "need_noise_reduction": true,
      "need_volume_normalization": true
    }'
# 返回里 demo_audio 是试听音频链接,浏览器打开直接听:
{"input_sensitive":false,
 "demo_audio":"https://.../demo_xxx.mp3",
 "extra_info":{"audio_length":4830,"usage_characters":22,...},
 "base_resp":{"status_code":0,"status_msg":"success"}}
三个值得开的可选参数:① need_noise_reduction: true——样本不是录音棚出品就开着;② need_volume_normalization: true——音量归一化,防止样本忽大忽小;③ text_validation(填你录音念的原文)+ accuracy(默认 0.7)——让服务端用 ASR 校验"你传的音频确实念了这段话",传错文件立刻报 1043 拦下来,不浪费钱。

5.4 第 3 步:用 voice_id 正式合成(此刻扣 9.9 元音色费)

合成并保存 mp3(output_format=url 最省事)
$ curl -s https://api.minimaxi.com/v1/t2a_v2 \
    -H "Authorization: Bearer $MINIMAX_KEY" \
    -H "Content-Type: application/json" \
    -d '{
      "model": "speech-2.8-hd",
      "text": "您好,我是您的专属助理,本月账单已经生成,共消费三百二十一元。",
      "output_format": "url",
      "voice_setting": { "voice_id": "MyVoice20260730", "speed": 1.0 }
    }'
# 返回 data.audio 是 mp3 链接(24 小时有效),下载保存:
{"data":{"audio":"https://.../xxx.mp3",...},
 "extra_info":{"usage_characters":30,...},
 "base_resp":{"status_code":0}}

到这里全流程已通。日常管理还有两个接口:查询名下音色 POST /v1/get_voice(注意:复刻音色要成功合成过一次才查得到)、删除音色 POST /v1/delete_voice(删了 voice_id 永久作废,不能重建同名)。

5.5 一键脚本版(Python,复制即用)

clone_and_tts.py(依赖 requests:pip3 install requests)
import os, requests

KEY  = os.environ["MINIMAX_KEY"]          # export MINIMAX_KEY=xxx
BASE = "https://api.minimaxi.com"
H    = {"Authorization": f"Bearer {KEY}"}

# ① 上传样本 → file_id
up = requests.post(f"{BASE}/v1/files/upload", headers=H,
        data={"purpose": "voice_clone"},
        files={"file": open("sample.m4a", "rb")}).json()
file_id = up["file"]["file_id"]
print("file_id =", file_id)

# ② 复刻 → voice_id(带试听)
clone = requests.post(f"{BASE}/v1/voice_clone", headers=H, json={
    "file_id": file_id,
    "voice_id": "MyVoice20260730",
    "text": "你好,这是我的克隆音色试听。",
    "model": "speech-2.8-hd",
    "need_noise_reduction": True,
    "need_volume_normalization": True,
}).json()
print("试听链接 =", clone.get("demo_audio"))

# ③ 正式合成 → 下载 mp3(首次调用扣 9.9 元音色费)
tts = requests.post(f"{BASE}/v1/t2a_v2", headers=H, json={
    "model": "speech-2.8-hd",
    "text": "您好,我是您的专属助理,本月账单已经生成。",
    "output_format": "url",
    "voice_setting": {"voice_id": "MyVoice20260730", "speed": 1.0},
}).json()
url = tts["data"]["audio"]
open("cloned_output.mp3", "wb").write(requests.get(url).content)
print("已保存 cloned_output.mp3")

六、评测三级跳:克隆得像不像,怎么量出来

行业标准口径是两个数:SIM(声纹相似度,像不像你)和 WER(词错误率,说得清不清楚)。小白按下面三级逐步来,每一级都比上一级客观:

Level 1 · 盲听 ABX(零工具,5 分钟,最有说服力)

  1. 备料

    准备 3 段音频:A = 你的真实录音(不要用做克隆的那段,重录一句新的)、B = 克隆音色合成的同一句话、X = 随机从 A/B 里挑一段。

  2. 考家人

    让家人/朋友听 X,判断是真人还是 AI。10 次里对半猜(5 次左右)= 克隆非常成功;10 次全被识破 = 回第 0 步换样本重录。

  3. 自查短板

    被识破时追问一句"哪里不像"——通常答案集中在:语气太平(样本情绪单一)、尾音发飘(样本太短)、有电音(样本底噪大)。对症回炉。

Level 2 · WER 可懂度(一条命令级)

思路:拿一段已知文本让克隆音色合成,再丢给 ASR 转写,对比差多少字。差得越少说明合成越清晰。用 OpenAI 开源的 whisper 最省事(读 mp3 依赖 ffmpeg,先 brew install ffmpeg):

$ pip3 install openai-whisper jiwer
$ python3 - <<'EOF'
import whisper, jiwer
ref = "您好我是您的专属助理本月账单已经生成"   # 合成时用的原文(去标点)
m = whisper.load_model("small")
hyp = m.transcribe("cloned_output.mp3", language="zh")["text"]
hyp = "".join(c for c in hyp if c.strip() and c not in ",。!?、")
print("转写:", hyp)
print("CER = %.1f%%" % (jiwer.cer(ref, hyp) * 100))   # 中文用字错误率 CER
EOF
转写: 您好我是您的专属助理本月账单已经生成
CER = 0.0%   # 经验线:<3% 可用,<1.5% 优秀,>8% 说明合成含混

Level 3 · SIM 声纹相似度(进阶,需要下载模型)

思路:用说话人验证模型分别给“你的真实录音”和“克隆合成音频”提取声纹向量,算余弦相似度。用 speechbrain 的 ECAPA 模型三行搞定(mp3 读不了就先转 wav:ffmpeg -i cloned_output.mp3 cloned_output.wav):

$ pip3 install speechbrain torchaudio
$ python3 - <<'EOF'
from speechbrain.inference.speaker import SpeakerRecognition
sv = SpeakerRecognition.from_hparams("speechbrain/spkrec-ecapa-voxceleb",
                                     savedir="./sv_model")
score, same = sv.verify_files("real_new.wav", "cloned_output.mp3")
print("SIM = %.3f  同一人判定 = %s" % (score, bool(same)))
EOF
SIM = 0.712  同一人判定 = True   # 经验线:>0.5 判同人,>0.7 相似度优秀
口径提醒:这里的 SIM 数值和论文里 seed-tts-eval 的 SIM(WavLM 微调模型口径)不能直接比大小,但趋势一致——同一套脚本下,谁的分高谁更像。想对齐行业口径,用字节开源的 seed-tts-eval ↗。评测体系的完整版见调研中心 音色克隆全景报告第 11 章 ↗。

七、费用账单:全程到底花多少钱

项目价格什么时候扣本教程用量小计
上传音频 / 复刻接口免费—1 次0 元
复刻试听(text 参数)2 元/万字符调 voice_clone 带 text 时约 25 字符≈ 0.005 元
音色费9.9 元/个首次用该 voice_id 正式合成时1 个9.9 元
正式合成(speech-2.8-hd)约 3.5 元/万字符每次调 t2a_v2约 100 字符≈ 0.035 元
合计≈ 10 元

价格为 2026-07 检索快照(官方按量计费页 + 阿里云百炼代理页交叉核对),以 官方价目 ↗ 实时为准。批量场景可看语音资源包:HD 包内赠送快速克隆音色额度(如 700 元包 200 万字符送 10 个克隆音色)。

八、踩坑清单:8 个新手必中的坑

#坑现象解法
1没实名认证就调复刻报错 2038 无复刻权限先在控制台完成个人/企业认证,这是硬门槛
27 天不用,音色被回收voice_id 突然 404 / 无效官方规则:复刻后 7 天内未正式调用即删除。试听不算"正式调用",要用 t2a_v2 真合成一次才转正
3voice_id 起名不合规报错 2013 输入格式信息不正常8~256 位、首字符英文字母、只含字母数字 - _、末位不能是 - _
4样本不够 10 秒 / 超 20MB上传或复刻被拒10 秒是下限,20~60 秒最稳;5 分钟/20MB 是上限
5传错音频文件没发现克隆出来完全不像,钱白花复刻时带 text_validation(录音原文),服务端 ASR 校验不匹配直接报 1043 拦截
6样本命中风控返回 input_sensitive 非 0样本内容涉敏感词/违规会被拒,换一段中性朗读文本重录
7把试听链接当永久文件过几天链接失效demo_audio 和 output_format=url 的链接都是临时的(url 24 小时),要长存就立刻下载落盘
8网页版音色想给 API 用找不到对应 voice_idMiniMax Audio(网页产品)和开放平台是两套体系,API 要用就在开放平台重新复刻
← 返回实战列表