核心用法
MiniMax Multi-Modal Toolkit 是基于 MiniMax 官方 API 的全栈多媒体生成方案，覆盖 TTS 语音合成、AI 音乐创作、图像生成与视频生成四大核心能力，并内置 FFmpeg 媒体处理工具链。所有脚本采用纯 Bash 实现，无需 Python 环境，依赖 curl、ffmpeg、jq、xxd 即可运行。
语音能力：支持单角色/多角色语音合成（tts 命令），提供 100+ 预设声线；支持 10 秒-5 分钟音频样本的语音克隆（clone）和文本描述声线设计（design）；多分段生成（generate）可制作有声书/播客，支持跨片段淡入淡出合并。
音乐生成：music-2.5 模型支持歌词歌曲与纯器乐生成，内置 --instrumental 自动处理（通过空结构标签实现无歌词输出）。
图像生成：image-01 模型支持文生图（t2i）与角色一致性图生图（i2i），提供 8 种预设画幅比例（1:1 至 21:9），支持批量生成与提示词优化器。
视频生成：覆盖文生视频（t2v）、图生视频（i2v）、首尾帧插值（sef）、角色参考（ref）四种模式；MiniMax-Hailuo-2.3 默认输出 10 秒 768P；长视频脚本（generate_long_video.sh）支持多场景链式生成，自动以前片段尾帧为下片段首帧，叠加交叉淡入淡出转场。
媒体工具：独立的 media_tools.sh 提供格式转换、拼接、裁剪、音频提取/叠加等 FFmpeg 封装功能。
显著优点
1. 官方 API 直连：直接调用 MiniMax 平台接口，模型版本与能力同步官方更新
2. 零 Python 依赖：纯 Bash 脚本，部署轻量，适合 CI/CD 与容器环境
3. 工作流闭环：从生成到后期处理（拼接、加 BGM、格式转换）无需离开工具包
4. 角色一致性：i2i 图像模式与 ref 视频模式支持人物参照图锁定，适合 IP 内容生产
5. 多区域适配：显式区分中国大陆（api.minimaxi.com）与全球（api.minimax.io）端点
局限性与风险
- API 密钥强依赖：所有功能需有效 MiniMax API Key（
sk-api-或sk-cp-开头），无本地离线能力 - 时长/分辨率锁：10 秒 1080P 不可兼得（1080P 仅限 6 秒），旧模型仅支持 720P/6 秒
- 无视觉预览：纯 CLI 工具，无内置播放器或缩略图生成
- 长视频成本：多场景链式生成需多次 API 调用，成本与延迟随片段数线性增长
- 语音克隆限制：样本质量直接影响克隆效果，背景噪声或低码率音频会导致音色劣化
适合人群
- 内容创作者（短视频、播客、有声书）需要批量生成 + 自动化后期
- 开发者/运维追求轻量部署、Shell 集成、无 Python 环境的服务端生成
- 出海团队需切换全球/中国大陆双端点合规部署
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 密钥泄露 | API Key 通过环境变量传递，可能泄露到进程列表 | 使用专用密钥管理服务，避免在命令行直接暴露 |
| 输出目录混淆 | 强制要求 `minimax-output/` 在 Agent 工作目录，非技能目录 | 严格执行 `mkdir -p` 与绝对/相对路径规范 |
| 长视频中断 | 多片段生成中途失败需重新执行，产生重复计费 | 建议单片段验证通过后再批量链式调用 |
| 版权合规 | AI 生成内容的商用授权需遵循 MiniMax 平台条款 | 查阅官方用户协议，敏感内容添加 AIGC 水印 |