撰文| 郝 鑫

編輯| 吳先之

熟悉MiniMax的人都了解這家公司的調(diào)性——不鳴則已，一鳴驚人。

要么選擇低調(diào)，要么發(fā)動技術(shù)連招，其發(fā)展路徑呈現(xiàn)出鮮明的“技術(shù)深潛”與“節(jié)點式爆發(fā)“的雙重特征。

十月的最后一周，再次進入MiniMax式技術(shù)迭代新周期。MiniMax模型“全家桶”全面向Agent方向進化，基礎(chǔ)文本模型M1升級至M2，“專為Agent和代碼而生”；視頻模型升級至Hailuo 2.3，Hailuo Video Agent迭代為“全模態(tài)全能創(chuàng)作”的Media Agent；新的語音模型Speech 2.6，重新定義下一代Voice Agent的語音模型。

MiniMax創(chuàng)始人閆俊杰在開篇引用了《老子》里的一個詞“大巧若拙”，大意是技術(shù)最高境界的“巧”，要回歸本質(zhì)，解決實際問題，這幾乎奠定了本次升級的基調(diào)。

語音模型升級亦是如此，Speech 2.6并非只是單純刷模型指標(biāo)，而是一次綜合性的更新。一方面是模型能力提升，涉及新增利用Lora提升流利度、特殊格式讀取等功能。另一方面是對端到端API的工程優(yōu)化，比如低延時、首包優(yōu)化等。

也是一次從技術(shù)落地到場景的再深化，其核心目標(biāo)是給做智能語音助手、客服系統(tǒng)、多輪對話產(chǎn)品等B端廠商和開發(fā)者，提供一個“開箱即用”的引擎。

從誕生起，MiniMax便確定了多模態(tài)全棧自研的戰(zhàn)略，表現(xiàn)為多線并進、交叉突破。放眼望去，Speech 2.6 Agent化的背后是更廣闊的Voice Agent賽道。

有研究報告估測，2030年Voice Agent市場規(guī)模保守估計，可達百億美元級別，若技術(shù)發(fā)展超預(yù)期，可能進一步上漲。

更快、更懂行、更完美

為什么要專門針對Voice Agent來優(yōu)化？

Voice Agent可以理解為“語音交互代理人”，它是連接用戶語音指令與后端服務(wù)的核心橋梁。與傳統(tǒng)語音指令識別不同，不只是簡單將語音轉(zhuǎn)成文字，而是具備完整的交互能力。

小到智能音箱日常問答，大到企業(yè)客服系統(tǒng)的智能應(yīng)答，幾乎所有需要“用說話代替打字”的場景，都依賴Voice Agent來承接需求、理解意圖并給出反饋?？梢哉f，Voice Agent是當(dāng)前覆蓋范圍最廣、用戶需求最迫切的語音交互形態(tài)，對其優(yōu)化就是直接提升所有語音場景的效率和體驗。

如果把Voice Agent 比作行駛的汽車，那么語音模型就是發(fā)動機。語音模型的性能直接決定了Voice Agent的場景化效果，Voice Agent的背后必須擁有一個強大的語音模型底座。

Speech 2.6正是延續(xù)了上述思路，在繼續(xù)提高語音模型性能的基礎(chǔ)上，全面升級突破Voice Agent場景，實現(xiàn)超低延時，專業(yè)格式無障礙和更高自然度。

用戶對語音的敏感度遠高于文字，快一毫秒或遲一毫秒，效果相去甚遠。在日常語音交互中最煩人的就是“卡殼”，Speech 2.6這回把“首包響應(yīng)時間”壓到了250毫秒，體感相當(dāng)于眨一下眼三分之一的時間。據(jù)我們了解，雖然國外部分頂流模型宣稱可達到75毫秒，但實際場景測試過程中平均保持在200-300毫秒。MiniMax的250毫秒響應(yīng)速度，已經(jīng)達到了語音賽道絕對頭部的水平。

用戶最直觀的感受就是幾乎感覺不到卡頓，像真人聊天一樣流暢。像這個案例就是最常見的客服咨詢場景，在音色上已經(jīng)分辨不出人和AI的區(qū)別，AI能精準(zhǔn)、連續(xù)識別用戶的意圖，比如“你是不是助理”“有什么新功能”“有沒有優(yōu)惠”等。在無縫銜接作出回答的同時，完成了反問和留資，具備了人類對話中的精髓——“有來有往”。

第二個升級的點是，模型變得“更聰明”和“更懂行”。以前用語音模型，遇到電話、郵箱、網(wǎng)址、數(shù)學(xué)公式這類專業(yè)內(nèi)容，得手動改寫輸入，比如要讀出“guang-zi@tech.com”必須要寫成“guang dash zi at tech dot com”，否則AI可能會讀錯。時間識別也是同樣問題，要正確讀出“2025-10-29”，就得嚴(yán)格輸入“二零二五年十月二十九日”。而升級后的Speech 2.6無需人工教學(xué)，直接就能解碼讀出來。

別看這個點細微，但卻有大用處。試想一下所有涉及語音交互的場景，最重要的就是獲取信息和建聯(lián)，如果在關(guān)鍵環(huán)節(jié)出錯，那之前所有都淪為了無效溝通。對開發(fā)者來說省事又高效，尤其是智能客服、日程管理、教育類語音代理團隊，不用再花精力調(diào)prompt或改文本，相關(guān)的技術(shù)棧都能簡化，

還有一個亮點功能是“化腐朽為神奇”，做音色克隆時，最怕用戶提供的錄音素材不完美，比如說話結(jié)巴、帶口音、非母語不流利等。Speech 2.6新增的“Fluent Lora”功能，哪怕素材是“磕磕巴巴”的，也能復(fù)刻出流暢自然的聲音。

舉個例子，你想復(fù)刻一位外國友人的中文語音，但他中文說得慢且有口音，以前生成的AI語音可能也跟著結(jié)巴?，F(xiàn)在Speech 2.6直接用他的原始錄音，但生成的語音依然流暢自然。這對需要大量用戶自定義音色的場景，例如有聲書、個性化語音助手非常實用。

Voice Agent，把行業(yè)重做一遍

回顧MiniMax Speech系列模型的自我演進歷程，某種意義上也是國內(nèi)AI語音技術(shù)，從模仿擬人逐漸走向交互智能的縮影。

今年5月份，MiniMax發(fā)布語音模型MiniMax Speech 02，創(chuàng)新的“Zero-Shot”能力，通過一個模型，提供任意“語言×任意口音×任意音色”的無限組合，豐富了語音生成的多樣性。

彼時，Speech 02一經(jīng)推出，就登頂“Artificial Analysis Speech Arena”和“Hugging Face TTS Arena”兩大權(quán)威榜單，力壓ElevenLabs、OpenAI等國際頂尖競爭對手。

8月份，MiniMax Speech 2.5上線，進一步把各項技能點滿，實現(xiàn)三大新突破：多語種表現(xiàn)力更強、音色復(fù)刻更像、40個語種覆蓋更廣。多語種能力直接瞄準(zhǔn)國際市場，為MiniMax出海奠定了基礎(chǔ)。

最后來到剛更新的Speech 2.6，揭開Voice Agent新篇章，開始針對實用場景進行綜合提升，反映其背后商業(yè)化的清晰戰(zhàn)略。大模型與語音技術(shù)深度融合，正在推動AI語音從工具屬性向與場景綁定的智能體演進，從前一階段的能聽懂升級為會思考、善溝通。

在商業(yè)世界，入口是一個極具吸引力的詞語。大模型之戰(zhàn)開啟之后，語音交互再次被認(rèn)為是具有增長前景長的新入口。落地到許多人力密集的傳統(tǒng)行業(yè)，很多都可以用Voice Agent來重新做一遍。這里面有兩條邏輯貫穿始終，一是“成本歸零”，二是“服務(wù)擴展性”。

To B場景中，Voice Agent可以替代大量重復(fù)性的人工溝通工作，如客服、外呼銷售、員工培訓(xùn)等。理論上，若AI成本可以持續(xù)下降，上述行業(yè)的人工成本也可以無限趨近于零，這將是一次重要的降本增效革命。一旦成本結(jié)構(gòu)轉(zhuǎn)變，商業(yè)模式將迎來重構(gòu)，身處于這些行業(yè)的企業(yè)有機會追求更高的價值，從以成本為中心向以利潤為中心轉(zhuǎn)型。

價值鏈的重塑體現(xiàn)在企業(yè)級服務(wù)，Voice Agent的價值在于它能直接切入業(yè)務(wù)核心。一個可靠的Voice Agent可以直接嵌入這些工作流，成為用戶與SaaS系統(tǒng)交互的首要觸點。協(xié)同內(nèi)外部系統(tǒng)，Voice Agent可以將整個業(yè)務(wù)流程打穿，推動全鏈路效率革命。例如，在汽車試駕場景，用戶說“想試駕新款SUV”，Agent立即匹配庫存數(shù)據(jù)，若車型有現(xiàn)車則直接推薦最近門店，否則自動調(diào)整推薦其他車型或時間，整個過程無需人工介入。

生態(tài)和商業(yè)化

回到現(xiàn)實，Voice Agent市場發(fā)展仍在早期，還處于從技術(shù)驗證期向企業(yè)級落地的轉(zhuǎn)型階段。盡管行業(yè)已經(jīng)有了基建層向應(yīng)用層過渡的趨勢，但整體呈現(xiàn)出“倒金字塔式”競爭格局，上層垂直行業(yè)應(yīng)用層企業(yè)眾多，既有傳統(tǒng)又有新玩家，最底層能夠穩(wěn)定向上輸出技術(shù)能力的基建企業(yè)數(shù)量較少。

毫無疑問，MiniMax就是其中典型的“基建狂魔”。其Speech系列語音模型，不綁定特定行業(yè)場景，而是通過底層技術(shù)和工程優(yōu)化，為B端廠商和開發(fā)者提供可復(fù)用的技術(shù)模塊。通過開源模型和API服務(wù)，將音色模仿、語音生成等能力封裝為標(biāo)準(zhǔn)化的工具，以降低企業(yè)接入門檻。技術(shù)能力向上下游延伸，與文本、視頻、音樂等多模態(tài)能力形成協(xié)同效應(yīng)。

語音領(lǐng)域始終是MiniMax的技術(shù)主場，早在行業(yè)初期就達成了多個“國內(nèi)首個”成就。國內(nèi)首個使用大模型語音技術(shù)開放多角色配音商用接口，首個開設(shè)語音模型海外API服務(wù)，以及首個與聲網(wǎng)、騰訊和即構(gòu)科技聯(lián)合研發(fā)Realtime API實時交互服務(wù)方案。這導(dǎo)致一段時間內(nèi)，客戶對其語音模型的認(rèn)可度一度超越了文本大模型。

得益于此，MiniMax目前進入了海內(nèi)外客戶語音模型選型的核心廠商名單，包括一些大廠。市場反饋尤為直觀，很多人向我們反映，在同期產(chǎn)品中，MiniMax語音模型更具性價比。不少客戶對MiniMax的小語種功能印象深刻，特別是粵語的表達，“標(biāo)準(zhǔn)到接近電視臺播報水平”。

海外客戶主要為開發(fā)者平臺和AI語音代理基礎(chǔ)設(shè)施提供商，以技術(shù)驅(qū)動和生態(tài)集成為導(dǎo)向，這些客戶大多追求快速集成、高自定義性和全球部署能力。其中，MiniMax語音模型的超低延遲、情感語言控制和多語言優(yōu)化等功能，成為被采納的主要參考。目前海外最流行的兩家Voice Agent開源平臺，Livekit與Pipecat已接入MiniMax Speech TTS Model，展現(xiàn)了MiniMax在高性能語音代理生態(tài)中的適配性。

國內(nèi)客戶覆蓋領(lǐng)域則更廣闊，包括教育硬件、智能玩具等C端消費級產(chǎn)品，銷售、搜索等B端行業(yè)解決方案以及通過開發(fā)者平臺賦能技術(shù)型客戶，以高自然度的語音技術(shù)，滿足不同場景下更人性化、更高效的交互需求。

教育類客戶中，愛小伴AI奶龍作為IP衍生玩具，利用MiniMax還原角色聲線，支持故事講述和情感互動，體現(xiàn)“寓教于陪”的定位；聽力熊學(xué)習(xí)機基于自研TeeniGPT大模型，集成MiniMax語音能力進行自然對話，增強學(xué)生學(xué)習(xí)的互動體驗。

面向C端的智能助手與硬件，MiniMax利用語音技術(shù)幫助企業(yè)提升用戶體驗，增強用戶粘性，其客戶涉及了榮耀、魅族、小米等硬件廠商。在B端銷售領(lǐng)域，MiniMax與“Megaview AI助手”達成合作，語音生成與情感識別能力其提供底層支持，提高業(yè)務(wù)效率。

不難看出，除了技術(shù)升級外，MiniMax的語音模型已經(jīng)進入了商業(yè)驗證期。對比同行，MiniMax在B端業(yè)務(wù)的風(fēng)格呈現(xiàn)出輕交付、重質(zhì)量特點。通過標(biāo)準(zhǔn)化、模塊化的API輸出技術(shù)能力，降低合作伙伴的集成成本，優(yōu)點是周期短和風(fēng)險小，靠用戶的正向反饋將帶來后期穩(wěn)定增長。這種模式使其能夠快速擴大覆蓋業(yè)務(wù)范圍，但又能保持技術(shù)研發(fā)的聚焦性，這點對一家資源有限的創(chuàng)業(yè)公司極其重要。

短期內(nèi)，Voice Agent市場還卡在技術(shù)環(huán)節(jié)。這意味著具備核心技術(shù)標(biāo)準(zhǔn)制定能力的企業(yè)將主導(dǎo)底層生態(tài)，而率先完成行業(yè)場景深度適配的解決方案商將贏得上層市場。

未來，語音交互可能成為企業(yè)數(shù)字化轉(zhuǎn)型的標(biāo)配接口，但真正的贏家將是那些能同時駕馭技術(shù)深度與場景廣度的生態(tài)構(gòu)建者。

微信號｜TMTweb

公眾號｜光子星球

別忘了掃碼關(guān)注我們！