昨天刚测完豆包 TTS 2.0，今天轮到 MiniMax Speech 2.8 HD。同样是 6 个 case——克隆一致性、符号与数字、多音字古音、跨语言、音效标记、粤语方言，一路测下来看它能不能把豆包比下去。

第一题：克隆音色与参考音频一致性。 先放我的原音频，再让模型用克隆出来的音色读同一段文字（OpenAI 发布 O3、O4 mini 那段）。听感上差异还是听得出来，不像豆包那样几乎分不出真假，这一项 MiniMax 落了下风。

第二题：复杂符号、歧义数字与技术格式。 日期、座机、邮箱、版本号、λ=0.47、￥3.45、90 token/s、-5.5℃、CPU ≤ 98%、湿度阈值 30%~40%，全都得读准。结果问题不少：邮箱里的 techgogogo 读成了「太狗狗狗」，少了一个 go；GB 被念成「吉字节」（不能说错，但业内一般直接念 GB）；λ 的英文读音太中式；token/s 念成「token 除以 s」而不是「token 每秒」；macOS 的读法也怪。

第三题：多音字、生僻古音与轻声儿化。 尉迟、龟兹、无射、阏氏、大月氏、坯料、折本、皲裂、龟裂、单父、稗米、单于、碑碣……逐字对下来一共 10 处读错，这道题是最能拉开差距的。

第四题：跨语言切换与外来人名。 中英日混排那句（こんにちは，Mr. Joaquin，Our LLM SFT pipeline supports KV cache compression and speculative decoding，ありがとう），基本没听出问题，唯一毛病是整体语调偏中式。

第五题：音效标记控制。 clear-throat、coughs、laughs 这类控制标记都正常发出了音效，也没有被当成文字念出来，这题直接过。

第六题：粤语方言。 蠄蟝、甕、甖、氹氹转那一大段，读音和音调有 3 处不对，懂粤语的朋友可以自己验证。

六题下来，MiniMax Speech 2.8 HD 在跨语言和音效标记上很稳，但克隆一致性和符号、技术术语的读法明显还有短板。完整题面和其它模型的横向对比，可以看 语音合成模型测评 专页。