MiniMax 发布 Speech 2.6 语音模型，将首包响应压缩至 250 毫秒，并新增对专业格式与流利度的支持。此次升级不仅是技术指标的突破，更是针对 Voice Agent 赛道的深度布局，为 B 端厂商提供“开箱即用”的语音交互引擎，推动行业从能听懂向会思考演进。
智能速览
Speech 2.6 首包响应降至 250 毫秒，媲美真人对话。
新增特殊格式读取能力，无需改写文本即可准确读出邮箱、公式。
Fluent Lora 功能可修复结巴素材，生成流畅自然的克隆音色。
预计 2030 年 Voice Agent 市场规模可达百亿美元级别。
精华内容
语音交互正从简单的工具属性向智能体演进，MiniMax 此次升级正是抓住了这一关键节点，通过底层技术优化解决实际应用中的痛点。
毫秒级响应
Speech 2.6 将首包响应时间压至 250 毫秒，体感仅为眨眼三分之一的时间。实际测试中，国外顶流模型虽有宣称更低数据，但平均仍处于 200-300 毫秒区间。这意味着 MiniMax 已达行业头部水平，有效解决了语音交互中常见的“卡壳”问题。
在客服咨询场景中，AI 能精准识别用户意图并做到无缝衔接回答，具备人类对话中“有来有往”的流畅感。
精准解码
针对电话、邮箱、数学公式等特殊内容，新模型无需人工改写输入即可直接准确解码。以往需要将邮箱符号转化为英文单词的繁琐操作不再必要。
这种“更懂行”的能力极大降低了开发者的调优成本，避免了因关键信息识别错误导致的沟通无效，对智能客服、日程管理等场景尤为重要。
音色复刻
新增的 Fluent Lora 功能解决了音色克隆素材不完美的痛点。即便原始录音存在结巴、口音或非母语不流利等问题，模型也能生成流畅自然的语音。
这对有声书制作及个性化语音助手等依赖大量自定义音色的场景极具实用价值，降低了高质量语音内容的制作门槛。
商业落地
Voice Agent 市场预计 2030 年达百亿美元规模。MiniMax 采取“轻交付、重质量”模式，通过标准化 API 降低集成成本。
目前已覆盖教育硬件、智能玩具及 B 端销售等领域，客户包括荣耀、小米等大厂。在海外，其语音模型已接入 Livekit 等主流开源平台，显示出强大的生态适配性。
MiniMax 的技术迭代反映了 AI 语音从拟人工具向交互智能的转变。随着 Voice Agent 在成本归零和服务扩展性上的优势显现，语音交互有望重塑企业业务流程。未来，具备技术深度与场景广度构建能力的企业，将主导这一生态的演进。
