文章来源：AI科技评论

作者：王悦

图片来源：由无界AI生成

大约一个月前，距离 GPT Store 上线还有两周，一位名为 Kyle Tryon 的国外开发者在个人博客上分享了其基于 ChatGPT Plus 开发的三个 Agent（又称“GPTs”），其中一个 Agent 是关于美国费城旅游出行的个人指南“PhillyGPT”，它能访问当地 SEPTA 公共交通 API，为个人提供费城当地的实时天气、旅游资讯、文艺演出活动、出行路线、公交车站与地标数据、预计抵达时间等等。

具体可访问 PhillyGPT 链接：https://chat.openai.com/g/g-GlYMtkbse-phillygpt

费城个人指南的开发背后，实际是人们对于 GPT 时代 C 端个性消费产品的真正想象。无独有偶，1 月 11 日 OpenAI 正式上线 GPT Store 后，公布 300 万个 GPTs 之余，也将与用户日常消费活动息息相关的徒步路线指南“AllTrails”放在推荐榜单上。与国内对大模型前景颇有微词的情况不同，海外大量的个性化应用开发正如火如荼。

个性经济时代，国内大模型经济的发展，实则要改变旧的解题思路。

在国内一众大模型厂商中，MiniMax 就是一家坚持产品创新、追求个性应用的“少数者”。从这一初衷出发，自去年 3 月初亮相起，当大多数团队还处于语言大模型起步阶段时，MiniMax 就以多模态大模型的定位在拥挤的赛道中出类拔萃，估值突飞猛进，成为国内估值最高的大模型厂商之一。

尤为值得注意的是，MiniMax 也是极少数下注语音大模型的团队之一。

区别于文本、图像，语音大模型的研发由于方向小众，社区数据生态并不繁荣，难以获得大量的高质量数据进行模型训练。但在社交、互娱、教育等具有大量个人用户的场景中，声音又往往是许多 To C 与 B2B2C 产品的重要构成，是大模型商业化的兵家必争之地。

近日，MiniMax 也推出了新一代语音大模型，在多项性能指标上超越了传统的语音技术。

语音模型的能力在 MiniMax 自家产品星野中有广泛运用。在近期星野 APP 内发起的 AI 挑战赛中 ， MiniMax 语音模型的能力得到充分展示。不仅能语音合成得很自然，还能模拟真人 rap，花样百出，逼近真人 rapper 水准。

（有想在星野 AI 战赛中跟 AI battle rap 的朋友可点击：https://m.xingyeai.com/share/chat?npc_id=64236&share_user_id=54072629321819 进行体验）：

据 AI 科技评论了解，MiniMax 最新语音大模型基于长达数百万小时的高质量音频数据进行训练，效果不输 ElevenLabs 和 OpenAI。

同时，MiniMax 也在积极推进语音能力的落地应用，在 To B 侧面打造了开放平台，不断迭代 B 端用户所需要语音能力，在 To C 侧面上线了 AI 语音对话产品「海螺问问」，仅需 6 秒音频即可进行音色复刻。

GPT 时代，MiniMax 的大模型经济打破了单一文本的局限，从“声”出发，定义了个性化应用的新内涵。

1、每个硅基用户都能有自己的声音

AIGC 时代，语音生成的需求实际并不亚于文本与图像。

从 AI 落地的角度来看，大语言模型能够预测出文字序列，是 AIGC 产品工程化的第一步，但在实际应用中，单一的文字呈现效果往往不佳，声音的表现力能为文字内容的情感色彩、个性表达提供有力加持。

以 AI 视频生成为例。在用 AI 技术生成短视频的场景中，“出戏”是用户体验减分的主要短板，而声音则往往是用户出戏的“罪魁祸首”。在 AIGC 产品的应用中，人物音色的还原度、语流语调的流畅度、说话停顿的自然度是语音合成技术的主要挑战，且必须“打包”解决，不能顾此失彼，任一短板都会降低用户的产品体验。

不同场景对语音合成效果的要求也不同。例如，数字人直播带货要求主播与观众的语音互动时效性高、延时性低，复刻有声书需要快速批量生成多角色的音色和语音内容，教育教学场景要求达到对一些特殊字词和生僻字的精准发音。

因此，在传统语音合成技术的基础上，面向用户提供高品质、个性化的语音体验与服务，成为语音生成的下一道难题。

过去，市面上的语音合成技术痛点明显：

机械感较强，原因是牺牲部分人声的自然度，声音无法传递出情感；

音色较单一，以至于无法提供多种音色供用户选择，也就不能满足不同场景的多样化需求；

成本高且效率低下，需要专业的设备且耗时较长。

为了解决这一系列痛点，国内外不少头部大厂也进行过相关探索。