亮点🔥
长对话语音生成：目前支持 4 位说话者的 3 分钟对话，并且可以通过扩展训练语料库轻松扩展到更多说话者的更长对话。
多语言支持：支持英语、中文、日语、韩语、法语、德语、俄语等多种语言。支持零样本语音克隆，适用于跨语言和代码切换场景。
超低延迟：基于新的12.5Hz 流式语音标记器，我们采用了双变压器架构，该架构在文本语音交错序列上运行，从而实现了灵活的逐句生成并减少了首包延迟。具体而言，在 L20 GPU 上，我们的首包延迟低至 140ms，同时保持高质量的音频输出。
强稳定性：我们的模型在独白和对话测试中都实现了高相似度和低WER/CER。
随机音色生成：用于创建 ASR/语音交互数据。

PushToTalk 是一个高性能的桌面语音输入工具，集成了大语言模型（LLM）能力。支持两种工作模式：

听写模式：按住 Ctrl+Win 说话，松开后自动转录并插入文本，支持 LLM 智能润色
AI 助手模式：选中文本后按 Alt+Space 说话，用语音命令处理选中的文本；或直接提问获得答案

🗣 开口就能聊 —— 不用打字，直接说话，AI 听得懂
🧠 聪明又耐心 —— 聊什么话题都可以，说得慢、说得简单也没关系
🎨 长得像动画片 —— 界面可爱，小朋友会喜欢
🔒 隐私安全 —— 对话、语音、模型，全部在本地运行
🌏 没网也能玩 —— 录音、识别、合成、对话，全走本地流水线

💬 Agent Workspace — 自然语言对话驱动 13 个工具调用（写歌、合成、克隆…），支持 SSE 流式响应、敏感操作用户确认、附件上传
🎵 音乐生成 — MiniMax Music-2.6，自动生成封面
🎤 翻唱 — Music-Cover 换声不换曲
✍️ 歌词生成 — 按主题/风格生成结构化歌词
🔊 语音合成 — Speech-2.8-HD / Turbo，同步接口 + 长文本异步接口
👤 声音克隆 / 声音设计 — 上传样本即可生成私有 voice_id
💰 双积分计费 — 付费积分 + 每日签到免费积分，调用前扣费、失败自动退款
🛡 管理后台 — 用户管理、价格规则热更新、对账流水
📁 生成物库 — 所有音频 / 封面集中归档，支持搜索与下载