测评背景与选手介绍

本次测试旨在解决AI语音生成中的稳定性问题。博主小木头选取了国内头部大模型公司稀宇科技旗下的MiniMax Audio，以及垂直领域产品ListenHub进行对比。MiniMax由稀宇科技于2021年底成立，并于2026年1月在香港上市，走全模态自研路线；ListenHub则由MarsWave团队打造，核心能力是将书面语转化为自然口语并附带字幕。测试的核心痛点在于：声音克隆虽已普及，但让AI朗读整段内容仍充满风险。博主特别关注断句、多音字和停顿这三个TTS（文本转语音）最容易出错的环节，且不依赖人工标注以还原真实生成效果。

技术接入与克隆流程对比

在API Key的获取上，MiniMax通过开放平台生成Key时包含GroupId参数，调用时需一并携带；其国际站接口域名为api.minimax.io。克隆声音需先上传样本获取file ID，再调用接口设置自定义voice_id。ListenHub的流程更为直接，克隆声音直接在列表中以“voice-clone”开头显示，接口调用更简洁。MiniMax提供HD（追求质量）和Turbo（低延迟、便宜）两种模型，HD约100美元/百万字符，Turbo约60美元/百万字符。ListenHub则通过单一接口输出音频和字幕，对视频制作更为友好。

核心难点：断句与多音字测试

AI模型本质是预测下一个音素而非理解语义，因此在需要上下文判断的地方容易出错。测试第一段聚焦断句，典型陷阱是“南京市长江大桥”可能被错误切分为“南京市/长江大桥”。多音字测试中，博主特意选取了包含“会计”、“还没还清”以及“行还是不行”的句子，其中最后一个“行”字极易被读错。这两类测试揭示了模型在缺乏深层语义理解时，对专有名词和语境依赖型词汇的处理能力不足。即便拥有克隆音色，模型仍可能在关键语义节点发生误读。

进阶挑战：停顿控制与代码朗读

除了断句，决定听感的关键往往在于停顿。博主测试了破折号、省略号的停顿时长及位置，指出机器难以精准拿捏这些细微的情感节奏。随后进入多音字进阶测试，选取“一行字”与“一行人”中读音不同的同一个“行”字进行对比。最后，针对程序员日常场景进行了代码朗读测试，涉及shutil.copy、sys.argv等术语中的点号和下划线发音。结果显示，两家模型在代码符号的朗读上均表现不佳，难以满足专业场景需求。

结论

经过五轮对比测试，博主得出结论：没有真正的赢家。MiniMax和ListenHub在断句、多音字处理上均有失误，声音克隆目前尚无完美方案。对于追求省事且需要自带字幕的用户，推荐ListenHub；若需纠偏多音字、调整停顿并挑选模型，则选择MiniMax。然而，对于长口播内容，博主建议仍应依靠真人录制，因为现有模型短期内无法解决根本问题。只有等待技术进一步进化，才可能实现全自动的高质量语音生成。