跳转到主要内容
在面向儿童的早教与启蒙学习场景中，利用 MiniMax 文本-图像理解能力 与 ​MiniMax-Speech-02 语音合成技术​，让孩子们“拍一拍，就能学”。

​
解决方案

1. 拍照识图
  • 相机拍摄任意物体，调用 文本大模型的图像理解能力，快速识别物体类别、特征与背景知识。
2. 知识讲解与外语学习
  • 模型将识别结果转化为适合儿童理解的简短知识卡片。
  • 同时调用 MiniMax-Speech-02 超拟人 TTS，用温暖亲切的声音进行讲解。
3. 双语/多语交互
  • 支持英语、日语等多语言输出，帮助孩子边玩边学，提升外语听力与口语兴趣。
4. 趣味问答
  • AI 语音助手可根据识别的物品发起互动问答，例如“你知道长颈鹿的脖子为什么那么长吗？”

​
业务价值

沉浸式学习

视觉识别 + 语音互动，让学习体验更直观、更有趣

多语言启蒙

自然融入双语学习场景，帮助孩子早期掌握外语词汇与发音

自适应内容

根据不同年龄段，自动调整讲解的难度与语言长度

延展性强

除日常物品外，还可识别动植物、交通工具、科学器材等多类事物

​
核心 API 能力

  1. 文本合成接口: 输入图片，进行识别
  2. 语音合成接口: 将识别讲解结果，转化成语音

​
使用示例

1. 图像理解与语音合成 
import base64
import requests
import json

group_id = "请填写您的group_id"
api_key = "请填写您的_api_key"

# 1. 上传图片并识别
def recognize_image(image_path):
    with open(image_path, "rb") as img_file:
        img_base64 = base64.b64encode(img_file.read()).decode("utf-8")

    url = f"https://api.minimaxi.com/v1/text/chatcompletion_v2?GroupId={group_id}"
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }
    payload = {
        "model": "MiniMax-Text-01",
        "messages": [
            {
                "role": "system",
                "content": (
                    "你是一个专门为小朋友讲解的智能老师。\n"
                    "你的任务是：识别图片中的物体，并用简单有趣的方式做解释。\n"
                    "回答必须同时包含中文和英文。\n"
                    "中文要温柔、亲切；英文要简短、易懂。\n"
                    "比如：'这是一个苹果，它是一种甜甜的水果。'\n"
                    "英文：'This is an apple. It is a sweet fruit.'"
                )
            },
            {
                "role": "user",
                "content": f"请识别并讲解这个图片: [图片base64:{img_base64}]"
            }
        ]
    }

    response = requests.post(url, headers=headers, data=json.dumps(payload))
    result = response.json()
    text_output = result["choices"][0]["message"]["content"]
    return text_output
2. 将识别讲解结果转成语音 

def text_to_speech(text, output_file="output.mp3"):
  url = f"https://api.minimaxi.com/v1/t2a_v2?GroupId={group_id}"
  payload = json.dumps({
      "model": "speech-2.5-hd-preview",
      "text": text,
      "stream": False,
      "voice_setting": {
          "voice_id": "male-qn-qingse",
          "speed": 1,
          "vol": 1,
          "pitch": 0,
          "emotion": "happy"
      },
      "audio_setting": {
          "sample_rate": 32000,
          "bitrate": 128000,
          "format": "mp3",
          "channel": 1
      }
  })
  headers = {
      "Authorization": f"Bearer {api_key}",
      "Content-Type": "application/json"
  }
  response = requests.post(url, headers=headers, data=payload)
  parsed_json = response.json()
  audio_value = bytes.fromhex(parsed_json["data"]["audio"])
  with open(output_file, "wb") as f:
      f.write(audio_value)
  print(f"语音已保存为 {output_file}")

# ==== Demo运行 ====
if __name__ == "__main__":
  explain_text = recognize_image("test.jpg")  # 输入图片
  print("识别讲解结果：\n", explain_text)

  text_to_speech(explain_text, "output.mp3")
⌘I