MiniMax Speech 2.8 HDとSeed Audio 1.0TTSの長尺と全景音声を分ける
MiniMaxは声のチャンクと長尺T2A、Seedは声・効果音・環境音を含む場面生成。二つを同じ長尺音声と呼びません。
MiniMax、ByteDance Seed、BytePlus、falの公式資料を2026年10月19日に確認しました。
公式仕様の比較。生成結果の実測と、公式に記載された機能は分けて紹介します。根拠・検証範囲を見る
この記事の目次
長尺の意味を音声トラックと場面で分ける
MiniMaxは同期WebSocket最大10,000文字、Async最大1,000,000文字で、sound tagsと音声設定を扱います。Seedは台詞・環境音・効果音を全景として生成し、BytePlusは最大120秒非ストリーミングです。
ナレーションを字幕やBGMと別編集するならMiniMax。環境音込みの場面を試すならSeed。音のまとまりは未測定です。
正式ID・入力・配信・料金を比べる
| 比較軸 | 左側モデル | 右側モデル | 制作で決めること |
|---|---|---|---|
| 正式ID/出力 | speech-2.8-hd。TTSチャンク/完成。 | seed-audio-1.0（enumにUpgraded表記）。場面音声。 | 声トラックか場面マスターか。 |
| 入力 | 同期1万/Async 1M文字。 | text_prompt 3,000文字、音声3本/画像1枚。 | 上限と参照数を分ける。 |
| 制御 | voice_id、sound tags、speed/vol/pitch。 | timing、声・環境音・効果音。 | 局所タグと時間軸を混ぜない。 |
| 配信 | WebSocket同期、Async後取得。 | BytePlus非ストリーミングHTTP、最大120秒。 | 途中再生か後編集か。 |
| 価格 | $100/1M characters。 | BytePlus地域/契約価格を要確認。 | 直APIとpartnerを分ける。 |
音声設定と場面設定を異なるジョブ型にする
MiniMaxはmodel、voice_setting、audio_setting、stream/Async、チャンク、完了を記録します。Seedはmodel、text_prompt、references、audio_config、字幕、durationを記録します。
BytePlusのenum表記をConsoleで固定し、fal partnerを選ぶ場合はschema/課金を別管理します。
商品ナレーションと雨のカット
仮の条件（実際の生成結果ではない）
ナレーションは頻繁に修正、別の15秒カットは雨・足音・台詞を一つの雰囲気にする。
- ナレーションをMiniMax Asyncで章単位に作る。
- 雨のカットをSeedの場面prompt/timingで試す。
- T2Aチャンクと場面マスターを同じキューにしない。
- 秒数、字幕、音量、権利、再生成版を確認する。
MiniMax単価とSeed地域価格を別にする
MiniMaxは$100/1M characters。Seed BytePlusは地域・契約別価格を公開本文だけでは一律に確定できません。fal partnerの価格も別です。
出典と確認範囲
公式資料を2026-10-19に確認しました。MiniMax Speech 2.8 HD vs Seed Audio 1.0の正式ID、提供経路、入力・演技、参照素材、出力、価格単位を確認しています。音質、発音、感情表現、声の一貫性、遅延、成功率は同条件で測定していません。
- MiniMax API｜Model List — Available Modelsに
speech-2.8-hd、Retired Modelsには含まれない。 - MiniMax API｜T2A WebSocket —
wss://api.minimax.io/ws/v1/t2a_v2、voice_setting/audio_setting、task_continueで音声チャンクを返す。 - MiniMax API｜Pricing overview — speech-2.8-hdはT2A Sync/Asyncとも$100/1M characters、Async最大1M文字/request。
- MiniMax｜Speech 2.8 release — native sound tags、10秒サンプルのクローン、日中クロスリンガルを発表。
- ByteDance Seed｜Seed Audio 1.0 — 声・効果音・環境音を全景として生成、参照音声、20以上の言語、100msタイミング、最大2分の紹介。
- BytePlus Seed Speech｜Audio 1.0 API — 非ストリーミングHTTP、text_prompt最大3,000文字、参照音声最大3本（各30秒/10MB）、画像1枚、最大120秒、出力形式・速度・音量・ピッチ・字幕。本文enumはUpgraded表記、サンプルは
seed-audio-1.0。 - BytePlus Seed Speech｜Audio pricing — Audio 1.0の地域・契約別価格を確認する公式入口。
- fal｜ByteDance Seed Audio 1.0 — partner routeはprompt、参照音声3本、画像1枚、mp3/wav/pcm/ogg_opus、sample_rate、speed/volume/pitch。
この条件で制作を相談する
用途・素材・尺・予算・希望時期が決まっている範囲で、株式会社志庵へ相談できます。掲載会社への一斉送信や契約は行いません。