MiniMaxが最新音声生成モデル「Speech 2.8」を発表　10秒のサンプルから「本人そのもの」の声を複製、自然な息遣いや言い淀みも再現

要点

• 中国のAI企業MiniMaxは、人間の声が持つリアルな質感や感情表現を追求した最新の音声生成モデル「MiniMax Speech 2.8」を発表した。
• 新機能「ネイティブサウンドタグ」により、日常会話におけるため息や笑い声、言い淀みを再現し、従来のAI音声にありがちだった不自然な平坦さを解消した。
• わずか10秒の音声サンプルから、話者の声の質感や呼吸の癖、話すペースといった固有の特徴を極めて高い精度で複製するクローニング機能を搭載した。
• 音声処理エンジンの再設計を通じて背景ノイズや合成特有の歪みを排除し、スタジオで収録したかのような極めてクリアな音響出力を実現した。
• 中国語と日本語の言語ペアにおいて他言語の訛りが混ざる現象を解消し、それぞれの言語でネイティブスピーカーのような自然な発音と声調を再現した。

リード文

中国のAI企業であるMiniMaxは2026年1月23日、音声生成モデルの最新バージョンとなる「MiniMax Speech 2.8」を発表した。同社はこのアップデートについて、単なる技術的な向上ではなく、合成音声に本物のリアリティをもたらす大きなブレイクスルーであると位置づけている。新モデルでは、人間らしい自然な話し方のニュアンスを再現する機能や、極めて短時間のサンプルから声質を再現するクローニング技術、そしてノイズを徹底的に排除したスタジオレベルのクリアな音質が導入され、AIと人間の声のギャップを大きく縮めることに成功したという。

本文

人間らしさを生み出す「ニュアンス」の追求：自然なブレスと言い淀みの再現

従来のAI合成音声は、滑らかで整いすぎているがゆえに、聞き手に対して冷たく無機質な印象を与えてしまうことが多かった。これに対しMiniMaxは、実際の人間の会話には不完全な呼吸（ブレス）や一時的な間（ポーズ）、言い淀み（ヘジテーション）といった微細な要素が数多く含まれており、これらこそが感情の伝達や話の強調において重要な役割を果たしていると説明する。

「MiniMax Speech 2.8」では、この人間特有 of 話し方の揺らぎを再現するため、新たに「ネイティブサウンドタグ（Native Sound Tags：音声合成の指示において非言語的な表現を指定する技術）」と呼ばれる機能を導入した。これにより、日常の対話で頻繁に用いられる「um（ええと）」や「uh（あの）」、「ah（あー）」といった口語的な言い淀み（フィラー：会話の合間に挟まれる意味を持たないつなぎ言葉）を正確にモデル化し、人間らしい会話の自然なテンポやピッチ、一時停止のタイミングを保つことが可能になった。

公開されたデモ音声では、テキストに「(chuckle：クスクス笑う)」「(breath：息を吸う)」「(clear-throat：咳払いをする)」「(laughs：笑い声)」といったタグを挿入することで、まるで本物の人間がマイクに向かってカジュアルに雑談しているかのような音声を作り出している。ロボットのように平坦化された不自然なスピーチから脱却し、細部のニュアンスに温かみを宿らせることに成功したという。

10秒のサンプルから「声の指紋」を再現する音声クローニング

もう一つの主要な進化として挙げられるのが、話者の声を忠実に再現する「音声クローニング（Voice Cloning）」技術の大幅な向上である。同社は特徴抽出（音声データから声の個性やパターンをデジタル的に取り出すプロセス）を最適化することで、生成されるクローン音声の類似性を飛躍的に高めた。

ユーザーは、わずか10秒間の音声サンプルを提供するだけで、Speech 2.8を介して自身の声質（テクスチャ）やかすれ具合（ブレス感）、さらには個人の話すペースまでを正確にキャプチャすることができる。その結果は、単に「本人の声に似ている」というレベルに留まらず、聞き手が話者本人そのものであると感じられるほどの精度を実現している。

プロのナレーターの声の特徴を再現した英語のデモ音声では、特に以下の3つの要素が強調されている。
第一に「本物の会話感（Authentic Conversationality）」である。これは、原稿を淡々と読み上げる機械的なアナウンサーのようではなく、信頼できる友人がコーヒーを片手に自身のストーリーを語りかけてくるような、生活感のある親しみやすい質感を指す。
第二に「動的な抑揚（Dynamic Cadence）」である。「but anyways（それはそうと）」や「you know（ほら、あのね）」といった自然なフィラーやリズムカルな間を交えることで、その場に話し手が実在しているかのような臨場感を作り出す。
第三に「温かみのある中音域の響き（Warm, Mid-Range Resonance）」である。落ち着いた安定感のある音色は、聞き手に安心感と信頼感を与え、リスナーとの間に瞬時に良好な関係を築く効果がある。

ノイズの排除による「ピュアなオーディオ」の実現

高品質なリスニング体験を提供するためには、音の純度が極めて重要となる。MiniMaxは音声処理エンジンをゼロから再設計し、従来の合成音声にみられた背景ノイズや、処理の過程で発生する「デジタルアーティファクト（デジタル音声処理の不具合によって生じる特有の雑音や音の歪み）」を徹底的に排除した。

これにより、専用のレコーディングスタジオでプロのナレーターが収録したかのような、きわめてクリアで透明感のある音声出力を実現した。デモ音声では、静寂に包まれた森をテーマにした詩的なテキストの朗読を通じて、松林を優しく吹き抜ける風の音のような、非常に繊細でデリケートなニュアンスまで再現できる高い表現力が実証されている。

言語の壁を超えるスマートな多言語対応

さらに「MiniMax Speech 2.8」では、多言語における音声合成の性能も大きく向上している。従来のAI音声合成においてしばしば問題となっていたのが、異なる言語を喋らせる際に、他言語の訛りが不自然に混ざり込んでしまう「アクセントブリード（accent bleed：異なる言語を喋らせる際に、他言語の訛りが不自然に混ざり込んでしまう現象）」という現象である。

同社はこの課題に取り組み、初期の対応として「中国語（Mandarin）と日本語（Japanese）」の言語ペアにおいて、不自然な声調（トーン）の変化や発音のズレを解消した。これにより、それぞれの言語を読み上げる音声が、他言語の訛りを感じさせない、真のネイティブスピーカーであるかのような自然な発音で聞こえるようになった。MiniMaxは、このシームレスな多言語体験を今後さらに他の言語へも順次展開していくとしている。

補足

MiniMaxは、独自のテキスト生成AI「MiniMax M3」や、動画生成AI「MiniMax Hailuo 2.3 / 2.3 Fast」、音楽生成モデル「MiniMax Music 2.6」といった高度なAIモデルの開発に加え、コーディング支援ツール「MiniMax Code」やAI会話アプリ「Talkie」といった多様なプロダクトを展開している企業である。