Un pódcast con dos presentadores necesita una conversación que apetezca escuchar. Convierte el artículo en un guion, asigna una voz fija a cada presentador y genera las intervenciones para montarlas después. MiniMax Speech 2.8 se encarga de la síntesis de voz; el guion, el orden de las intervenciones y la mezcla musical son fases distintas.
Overhear, premiado en el MiniMaxathon y presentado en un informe del 21 de septiembre, muestra este proceso. Su repositorio describe cómo convertir un artículo en diálogo, sintetizar cada intervención con Speech 2.8 y generar la música por separado. Hemos revisado el informe y el repositorio, pero no hemos ejecutado la aplicación ni escuchado sus resultados. Es un ejemplo de producción, no una prueba de que una única solicitud cree un episodio completo. ,
MiniMax Speech 2.8: pódcast con dos voces: Diagrama del proceso, no un resultado probado del modelo
Dar un papel distinto a cada presentador
Elige una pregunta central. A puede explicar la idea y B plantear dudas del público o aportar un ejemplo. No necesitan alternarse después de cada frase.
Para un artículo sobre presupuestos de vídeo, un ejemplo de script no probado podría ser:
A: El precio de generación es solo una parte del presupuesto.
B: ¿Por qué reservar dinero para reintentos si el primer clip podría funcionar?
A: Aunque se genere correctamente, el vídeo debe cumplir los requisitos. Quizá haya que corregir el producto o sustituir un plano.
Lee el diálogo en voz alta antes de sintetizarlo. Elimina las intervenciones en las que B solo asiente o repite lo que ha dicho A.
Construya una hoja de producción antes de sintetizar
Comprueba el proceso con este plan breve antes de convertir un artículo completo. Las intervenciones de la tabla no se han sintetizado; añade las duraciones después de escuchar los archivos reales.
Orden: 01 · Presentador y objetivo: A presenta la pregunta · Intervención de ejemplo: ¿Por dónde debería empezar un presupuesto de vídeo? · Comprobación tras la generación: Mantén la voz A fija y comprueba que la pregunta sea clara
Orden: 02 · Presentador y objetivo: B identifica el supuesto · Intervención de ejemplo: Antes solo miraba el precio de una generación. · Comprobación tras la generación: Mantén la voz B y comprueba que ambas voces se distinguen
Orden: 03 · Presentador y objetivo: A explica el método · Intervención de ejemplo: Cuente cada intento y luego mida el material que realmente conserva. · Comprobación tras la generación: Reutilice la configuración de A y verifique los términos clave
Orden: 04 · Presentador y objetivo: B propone una acción · Intervención de ejemplo: Reservaré un presupuesto de revisión para los dos primeros planos. · Comprobación tras la generación: Revisar el enlace entre intervenciones y el final; ajustar las pausas al montar
Anota junto a cada intervención el pasaje original, el ID de voz, la gama del modelo, la emoción, el ID de tarea, el archivo y si se conserva. Separa las notas del texto hablado para que no se sinteticen por error. Los caracteres enviados al rehacer una intervención también suman coste.
Genera primero dos intervenciones por presentador. Si las voces y el ritmo encajan, amplía el episodio. En contenido factual, B debe aclarar dudas reales, sin inventar objeciones que no aparecen en la fuente.
Mantener la voz de cada presentador
Empieza en la página del modelo MiniMax Speech 2.8. Elige dos voces que se distingan y anota sus identificadores, velocidad, volumen y modo de síntesis. Una muestra breve con afirmaciones, preguntas y énfasis aporta más información que un saludo.
Si sustituyes una intervención, conserva los mismos ajustes. Para usar una voz personalizada, completa primero el proceso de creación de voz. Subir una grabación no significa que cada solicitud de síntesis cree una voz automáticamente.
Asignar una emoción a cada intervención
Mantén un tono estable en las explicaciones y cambia la emoción cuando lo requiera el sentido. Las indicaciones contradictorias en una misma intervención dificultan evaluar el resultado.
Registra hablante, texto, voz, emoción y nombre de archivo. Nombres como episode01-A-001 y episode01-B-002 ayudan a conservar el orden. Separa las notas de producción del texto hablado.
Generar secciones y luego ensamblarlas
Divide el diálogo en las pausas naturales y los cambios de presentador. Escucha cada segmento para detectar palabras omitidas, errores de pronunciación y énfasis antes de llevarlo a la línea de tiempo. Si sustituyes uno, comprueba de nuevo los enlaces porque su duración puede cambiar.
Consulta los modos y campos de la API en Speech 2.8 Docs. Desde el navegador puedes generar los segmentos en el espacio de trabajo del modelo y montarlos en un editor de audio. Un campo de la API no confirma que exista un botón con el mismo nombre en la web.
Mezclar sin perder claridad en el diálogo
Iguala el volumen percibido de las dos voces antes de añadir música. Baja la música durante el diálogo y escucha el resultado con auriculares y con el altavoz del teléfono. La introducción, las transiciones y el cierre suelen admitir más música que una explicación densa.
Consulta APIXO Pricing para calcular el presupuesto. El 10 de octubre de 2026, Speech Turbo cuesta $0.06 y Speech HD $0.10 por 1 000 caracteres. En un ejemplo hipotético de 5 000 caracteres, la síntesis cuesta unos $0.30 o $0.50. Incluye el texto regenerado; crear voces personalizadas y utilizar otros modelos tiene un coste aparte.
Tarifas de uso API; créditos mensuales de Studio aparte.
Antes de publicar
No necesitas clonar voces para probar el formato. Empieza con voces predefinidas y una conversación breve; comprueba los hechos, el orden, las pausas, el volumen y la música. Cuando funcione, amplía el guion. La síntesis de voz es una fase de la producción del pódcast.
Desarrolla con APIXO
Explora modelos de imagen, vídeo y audio en un solo lugar.
