
MiniMax Audio 对 Fish Audio,谁更适合塞进脚本
我对比了 MiniMax Audio 和手上一直在用的 Fish Audio,同一个任务跑了一遍,把一批英文技术文档转成听力材料,三十来段,脚本里调。结论放在最后。
注册不复杂,邮箱走一遍就进去了。我这边访问的是海外版,网络环境得自己解决,国内是另一套入口。计价对工程师算友好,按字符算,Speech-02 那档大概 3.5 元每万字符,基础套餐 5 美元一个月,每月还有一点免费额度。我第一次没充钱,先用免费额度把整条链路跑通,才决定要不要付。TTS 这种主观听感的东西,先跑通再谈钱,这个顺序建议别省。
界面很直白,左边一个大输入框,右边一列音色,点一下能试听。预设音色有三百多个,我翻了十几分钟就烦了,最后按语言和性别筛。中文和粤语的听感确实好,停顿和语调的起伏不像拼接出来的。
让我意外的是两件事。一是能直接拖 PDF 和 TXT 进去,它自己抽文字,单次上限二十万字符。我拿一份四十多页的规格书试了,正文抽得基本干净,页眉页脚有残留,手动删一下就行。二是音色设计,用一句自然语言描述想要的声音,它生成一个新音色。我试了「中年男性,语速偏慢,讲解语气」,出来的能用,但不稳,同一个描述跑两次结果不一样。语言数量素材里有说 30+ 也有说 40 的,我没一个个试,中文、粤语、英文这三样够我用。英文长句的从句断句偶尔会切在奇怪的位置,比如把 which 前面断开,这一点比 Fish Audio 差一些。专业术语读法基本对,缩写按字母念,我没找到开关。
慢和贵都出在长文上。二十万字符是上限,不代表好用。我塞了大概三万字进去,等的时间够泡一杯茶。工程上这就意味着不能同步等,得改成提交任务再轮询,API 是有的,OpenAI 兼容那套写法我熟。计费按字符线性涨,长文一多账单一目了然,没有折扣空间。我这边一个月几十万字符的量,算下来包月套餐更划算,但套餐的点数怎么折算成字符,我还没完全摸清。还有十秒克隆出效果这件事是真的,但涉及真人声音的授权和审核,流程比技术本身麻烦。
它适合中文、粤语内容为主,需要长文直读 PDF,或者要一批不同音色做多角色。不适合纯英文技术播客这种对断句苛刻的场景,也不适合预算按字符死抠的个人开发者。我自己的做法是两个都留着,中文走 MiniMax Audio,英文还是 Fish Audio,它在中文这一档上明显更强。
物界前沿