AI音声が「人間のように話す」だけでなく、「あなたのように話す」ことができるようになり、ほぼ感覚がなくなるほどの速さで、音声インタラクションの境界は完全に再構築されています。10月30日凌晨、MiniMax稀宇科技はその新世代の音声合成モデル「MiniMax Speech 2.6」を正式に発表しました。このモデルはエンド・トゥ・エンドの遅延が250ミリ秒未満であり、画期的なFluent LoRA音色再現技術を備え、音声生成を高自然度、低遅延、強個性化の新たな段階へと進化させています。

250ミリ秒以内：人間の会話に近いリアルタイム応答

音声インタラクションの場面において、遅延は体験の生命線です。Speech 2.6は下層アーキテクチャの最適化により、テキスト入力から音声出力までの全工程が250ミリ秒未満となり、人間の自然な会話のペースに近づいています。これは、スマートカスタマーサービスやリアルタイム字幕、バーチャルパーソナライズなど、高要求のシーンにおいて、AI音声が「半歩遅れる」ことなく、流暢な応答と没入型のインタラクションを実現することを意味します。

Fluent LoRA：30秒の音声で専用の声をコピー

今回の最大の突破点は、Fluent LoRA（Low-Rank Adaptation）技術の深く統合されたことです。ユーザーは30秒以上の参照音声を提供するだけで、モデルは話し手の声質、トーン、リズム、さらには感情スタイルを正確に捉え、ターゲットのテキストに高度に一致した自然な音声を生成できます。自分自身の声で寝る前の物語を語る、またはブランド向けの専用仮想アンバサダーをカスタマイズするなど、声のコピーはこれまでになく簡単で効率的かつ現実的になりました。

より重要なのは、Fluent LoRAが声質の一貫性を保ちつつ、音声の滑らかさを大幅に向上させ、従来のTTSでよく見られる「機械的な区切り」や「感情の不一致」の問題を回避し、合成音声が本当に「表現力」を持つようになったことです。

全シーンへの対応：個人の創作から企業レベルの導入まで

MiniMax Speech 2.6は、個人クリエイターと企業顧客の両方に開放されています：

  • 教育分野：教師は講義付きの教材オーディオを迅速に生成できます；
  • カスタマーサービス：企業はブランドの声質を持つスマート音声ロボットを導入できます；
  • スマート家電：車載や家庭用機器は低遅延で高擬真の音声インタラクションを実現できます；
  • コンテンツ制作：UP主やパーソナライザーはワンクリックで複数の役割の吹き替えを生成し、制作効率を大幅に向上させます。

MiniMaxマルチモーダル大規模モデル生態系の鍵となる部分として、Speech 2.6はAIGC分野での技術の深さを強化し、音声合成が「機能的に使える」段階から「感情的に信頼でき、個性をカスタマイズ可能」な新しい時代へと進んでいることを示しています。

AI競争がますます「体験の細部」に焦点を当てている今、MiniMaxは250ミリ秒の遅延と「あなたのように話す」能力によって、本当の知能は計算が速いだけでなく、人と似た話し方、そして心に響く話し方をすることであることを証明しています。