MiniMax

MiniMax - v1/messages

總覽

Litellm 提供與 anthropic 規格相容的 minmax 支援

支援的模型

MiniMax 透過其與 Anthropic 相容的 API 提供三種模型：

模型	說明	輸入成本	輸出成本	提示快取讀取	提示快取寫入
MiniMax-M2.1	具強化程式設計體驗的強大多語言程式設計（~60 tps）	$0.3/M tokens	$1.2/M tokens	$0.03/M tokens	$0.375/M tokens
MiniMax-M2.1-lightning	更快且更靈活（~100 tps）	$0.3/M tokens	$2.4/M tokens	$0.03/M tokens	$0.375/M tokens
MiniMax-M2	代理程式能力、進階推理	$0.3/M tokens	$1.2/M tokens	$0.03/M tokens	$0.375/M tokens

使用範例

基本聊天完成

import litellm

response = litellm.anthropic.messages.acreate(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "Hello, how are you?"}],
    api_key="your-minimax-api-key",
    api_base="https://api.minimax.io/anthropic/v1/messages",
    max_tokens=1000
)

print(response.choices[0].message.content)

使用環境變數

export MINIMAX_API_KEY="your-minimax-api-key"
export MINIMAX_API_BASE="https://api.minimax.io/anthropic/v1/messages"

import litellm

response = litellm.anthropic.messages.acreate(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "Hello!"}],
    max_tokens=1000
)

使用思考（M2.1 功能）

response = litellm.anthropic.messages.acreate(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "Solve: 2+2=?"}],
    thinking={"type": "enabled", "budget_tokens": 1000},
    api_key="your-minimax-api-key"
)

# Access thinking content
for block in response.choices[0].message.content:
    if hasattr(block, 'type') and block.type == 'thinking':
        print(f"Thinking: {block.thinking}")

使用工具呼叫

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get current weather",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string"}
                },
                "required": ["location"]
            }
        }
    }
]

response = litellm.anthropic.messages.acreate(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "What's the weather in SF?"}],
    tools=tools,
    api_key="your-minimax-api-key",
    max_tokens=1000
)

與 LiteLLM Proxy 搭配使用

您可以透過 LiteLLM Proxy 路由，使用 Anthropic SDK 搭配 MiniMax 模型：

步驟	說明
1. 啟動 LiteLLM Proxy	在 `config.yaml` 中以 MiniMax 模型設定 proxy
2. 設定環境變數	將 Anthropic SDK 指向 proxy 端點
3. 使用 Anthropic SDK	使用原生 Anthropic SDK 呼叫 MiniMax 模型

步驟 1：設定 LiteLLM Proxy

建立一個 config.yaml：

model_list:
  - model_name: minimax/MiniMax-M2.1
    litellm_params:
      model: minimax/MiniMax-M2.1
      api_key: os.environ/MINIMAX_API_KEY
      api_base: https://api.minimax.io/anthropic/v1/messages

啟動 proxy：

litellm --config config.yaml

步驟 2：搭配 Anthropic SDK 使用

import os
os.environ["ANTHROPIC_BASE_URL"] = "http://localhost:4000"
os.environ["ANTHROPIC_API_KEY"] = "sk-1234"  # Your LiteLLM proxy key

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="minimax/MiniMax-M2.1",
    max_tokens=1000,
    system="You are a helpful assistant.",
    messages=[
        {
            "role": "user",
            "content": [
                {
                    "type": "text",
                    "text": "Hi, how are you?"
                }
            ]
        }
    ]
)

for block in message.content:
    if block.type == "thinking":
        print(f"Thinking:\n{block.thinking}\n")
    elif block.type == "text":
        print(f"Text:\n{block.text}\n")

MiniMax - v1/chat/completions

與 LiteLLM SDK 搭配使用

您可以直接使用 LiteLLM 搭配 MiniMax 的 OpenAI 相容 API：

基本聊天完成

import litellm

response = litellm.completion(
    model="minimax/MiniMax-M2.1",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hello, how are you?"}
    ],
    api_key="your-minimax-api-key",
    api_base="https://api.minimax.io/v1"
)

print(response.choices[0].message.content)

使用環境變數

export MINIMAX_API_KEY="your-minimax-api-key"
export MINIMAX_API_BASE="https://api.minimax.io/v1"

import litellm

response = litellm.completion(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "Hello!"}]
)

使用推理拆分

response = litellm.completion(
    model="minimax/MiniMax-M2.1",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Solve: 2+2=?"}
    ],
    extra_body={"reasoning_split": True},
    api_key="your-minimax-api-key",
    api_base="https://api.minimax.io/v1"
)

# Access reasoning details if available
if hasattr(response.choices[0].message, 'reasoning_details'):
    print(f"Thinking: {response.choices[0].message.reasoning_details}")
print(f"Response: {response.choices[0].message.content}")

使用工具呼叫

tools = [
    {
        "type": "function",
        "function": {
            "name": "get_weather",
            "description": "Get current weather",
            "parameters": {
                "type": "object",
                "properties": {
                    "location": {"type": "string"}
                },
                "required": ["location"]
            }
        }
    }
]

response = litellm.completion(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "What's the weather in SF?"}],
    tools=tools,
    api_key="your-minimax-api-key",
    api_base="https://api.minimax.io/v1"
)

串流

response = litellm.completion(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "Tell me a story"}],
    stream=True,
    api_key="your-minimax-api-key",
    api_base="https://api.minimax.io/v1"
)

for chunk in response:
    if chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="")

透過 LiteLLM Proxy 與 OpenAI SDK 搭配使用

您也可以透過 LiteLLM Proxy 路由，使用 OpenAI SDK 搭配 MiniMax 模型：

步驟	說明
1. 啟動 LiteLLM Proxy	在 `config.yaml` 中以 MiniMax 模型設定 proxy
2. 設定環境變數	將 OpenAI SDK 指向 proxy 端點
3. 使用 OpenAI SDK	使用原生 OpenAI SDK 呼叫 MiniMax 模型

步驟 1：設定 LiteLLM Proxy

建立一個 config.yaml：

model_list:
  - model_name: minimax/MiniMax-M2.1
    litellm_params:
      model: minimax/MiniMax-M2.1
      api_key: os.environ/MINIMAX_API_KEY
      api_base: https://api.minimax.io/v1

啟動 proxy：

litellm --config config.yaml

步驟 2：搭配 OpenAI SDK 使用

import os
os.environ["OPENAI_BASE_URL"] = "http://localhost:4000"
os.environ["OPENAI_API_KEY"] = "sk-1234"  # Your LiteLLM proxy key

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="minimax/MiniMax-M2.1",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Hi, how are you?"},
    ],
    # Set reasoning_split=True to separate thinking content
    extra_body={"reasoning_split": True},
)

# Access thinking and response
if hasattr(response.choices[0].message, 'reasoning_details'):
    print(f"Thinking:\n{response.choices[0].message.reasoning_details[0]['text']}\n")
print(f"Text:\n{response.choices[0].message.content}\n")

使用 OpenAI SDK 串流

from openai import OpenAI

client = OpenAI()

stream = client.chat.completions.create(
    model="minimax/MiniMax-M2.1",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Tell me a story"},
    ],
    extra_body={"reasoning_split": True},
    stream=True,
)

reasoning_buffer = ""
text_buffer = ""

for chunk in stream:
    if hasattr(chunk.choices[0].delta, "reasoning_details") and chunk.choices[0].delta.reasoning_details:
        for detail in chunk.choices[0].delta.reasoning_details:
            if "text" in detail:
                reasoning_text = detail["text"]
                new_reasoning = reasoning_text[len(reasoning_buffer):]
                if new_reasoning:
                    print(new_reasoning, end="", flush=True)
                    reasoning_buffer = reasoning_text

    if chunk.choices[0].delta.content:
        content_text = chunk.choices[0].delta.content
        new_text = content_text[len(text_buffer):] if text_buffer else content_text
        if new_text:
            print(new_text, end="", flush=True)
            text_buffer = content_text

成本計算

成本計算會使用 model_prices_and_context_window.json 中的定價資訊自動運作。

範例：

response = litellm.completion(
    model="minimax/MiniMax-M2.1",
    messages=[{"role": "user", "content": "Hello!"}],
    api_key="your-minimax-api-key"
)

# Access cost information
print(f"Cost: ${response._hidden_params.get('response_cost', 0)}")

MiniMax - 文字轉語音

快速入門

LiteLLM Python SDK 使用方式

基本使用

from pathlib import Path
from litellm import speech
import os 

os.environ["MINIMAX_API_KEY"] = "your-api-key"

speech_file_path = Path(__file__).parent / "speech.mp3"
response = speech(
    model="minimax/speech-2.6-hd",
    voice="alloy",
    input="The quick brown fox jumped over the lazy dogs",
)
response.stream_to_file(speech_file_path)

非同步使用

from litellm import aspeech
from pathlib import Path
import os, asyncio

os.environ["MINIMAX_API_KEY"] = "your-api-key"

async def test_async_speech(): 
    speech_file_path = Path(__file__).parent / "speech.mp3"
    response = await aspeech(
        model="minimax/speech-2.6-hd",
        voice="alloy",
        input="The quick brown fox jumped over the lazy dogs",
    )
    response.stream_to_file(speech_file_path)

asyncio.run(test_async_speech())

聲音選擇

MiniMax 支援許多聲音。LiteLLM 提供與 OpenAI 相容的聲音名稱，對應到 MiniMax 聲音：

from litellm import speech

# OpenAI-compatible voice names
voices = ["alloy", "echo", "fable", "onyx", "nova", "shimmer"]

for voice in voices:
    response = speech(
        model="minimax/speech-2.6-hd",
        voice=voice,
        input=f"This is the {voice} voice",
    )
    response.stream_to_file(f"speech_{voice}.mp3")

您也可以直接使用 MiniMax 原生聲音 ID：

response = speech(
    model="minimax/speech-2.6-hd",
    voice="male-qn-qingse",  # MiniMax native voice ID
    input="Using native MiniMax voice ID",
)

自訂參數

MiniMax TTS 支援額外參數以微調音訊輸出：

from litellm import speech

response = speech(
    model="minimax/speech-2.6-hd",
    voice="alloy",
    input="Custom audio parameters",
    speed=1.5,  # Speed: 0.5 to 2.0
    response_format="mp3",  # Format: mp3, pcm, wav, flac
    extra_body={
        "vol": 1.2,  # Volume: 0.1 to 10
        "pitch": 2,  # Pitch adjustment: -12 to 12
        "sample_rate": 32000,  # 16000, 24000, or 32000
        "bitrate": 128000,  # For MP3: 64000, 128000, 192000, 256000
        "channel": 1,  # 1 for mono, 2 for stereo
    }
)
response.stream_to_file("custom_speech.mp3")

回應格式

from litellm import speech

# MP3 format (default)
response = speech(
    model="minimax/speech-2.6-hd",
    voice="alloy",
    input="MP3 format audio",
    response_format="mp3",
)

# PCM format
response = speech(
    model="minimax/speech-2.6-hd",
    voice="alloy",
    input="PCM format audio",
    response_format="pcm",
)

# WAV format
response = speech(
    model="minimax/speech-2.6-hd",
    voice="alloy",
    input="WAV format audio",
    response_format="wav",
)

# FLAC format
response = speech(
    model="minimax/speech-2.6-hd",
    voice="alloy",
    input="FLAC format audio",
    response_format="flac",
)

LiteLLM Proxy 使用方式

LiteLLM 為 MiniMax TTS 提供 OpenAI 相容的 /audio/speech 端點。

設定

將 MiniMax 新增至您的 proxy 設定：

model_list:
  - model_name: tts
    litellm_params:
      model: minimax/speech-2.6-hd
      api_key: os.environ/MINIMAX_API_KEY
  
  - model_name: tts-turbo
    litellm_params:
      model: minimax/speech-2.6-turbo
      api_key: os.environ/MINIMAX_API_KEY

啟動 proxy：

litellm --config /path/to/config.yaml

# RUNNING on http://0.0.0.0:4000

發送請求

curl http://0.0.0.0:4000/v1/audio/speech \
  -H "Authorization: Bearer sk-1234" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts",
    "input": "The quick brown fox jumped over the lazy dog.",
    "voice": "alloy"
  }' \
  --output speech.mp3

使用自訂參數：

curl http://0.0.0.0:4000/v1/audio/speech \
  -H "Authorization: Bearer sk-1234" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "tts",
    "input": "Custom parameters example.",
    "voice": "nova",
    "speed": 1.5,
    "response_format": "mp3",
    "extra_body": {
      "vol": 1.2,
      "pitch": 1,
      "sample_rate": 32000
    }
  }' \
  --output custom_speech.mp3

聲音對應

LiteLLM 會將與 OpenAI 相容的聲音名稱對應到 MiniMax 聲音 ID：

OpenAI 聲音	MiniMax 聲音 ID	說明
alloy	male-qn-qingse	男聲
echo	male-qn-jingying	男聲
fable	female-shaonv	女聲
onyx	male-qn-badao	男聲
nova	female-yujie	女聲
shimmer	female-tianmei	女聲

您也可以直接傳入任何 MiniMax 原生聲音 ID 作為 voice 參數。

串流（WebSocket）

備註

目前的實作使用 MiniMax 的 HTTP 端點。若要支援 WebSocket 串流，請參閱 MiniMax 官方文件：https://platform.minimax.io/docs。

錯誤處理

from litellm import speech
import litellm

try:
    response = speech(
        model="minimax/speech-2.6-hd",
        voice="alloy",
        input="Test input",
    )
    response.stream_to_file("output.mp3")
except litellm.exceptions.BadRequestError as e:
    print(f"Bad request: {e}")
except litellm.exceptions.AuthenticationError as e:
    print(f"Authentication failed: {e}")
except Exception as e:
    print(f"Error: {e}")

額外的主體參數

透過 extra_body 傳入這些參數：

參數	型別	說明	預設值
vol	float	音量（0.1 到 10）	1.0
pitch	int	音高調整（-12 到 12）	0
sample_rate	int	取樣率：16000、24000、32000	32000
bitrate	int	MP3 位元率：64000、128000、192000、256000	128000
channel	int	音訊聲道：1（單聲道）或 2（立體聲）	1
output_format	string	輸出格式："hex" 或 "url"（url 會回傳 24 小時有效的 URL）	hex

MiniMax - v1/messages

總覽​

支援的模型​

使用範例​

基本聊天完成​

使用環境變數​

使用思考（M2.1 功能）​

使用工具呼叫​

與 LiteLLM Proxy 搭配使用​

步驟 1：設定 LiteLLM Proxy​

步驟 2：搭配 Anthropic SDK 使用​

MiniMax - v1/chat/completions

與 LiteLLM SDK 搭配使用​

基本聊天完成​

使用環境變數​

使用推理拆分​

使用工具呼叫​

串流​

透過 LiteLLM Proxy 與 OpenAI SDK 搭配使用​

步驟 1：設定 LiteLLM Proxy​

步驟 2：搭配 OpenAI SDK 使用​

使用 OpenAI SDK 串流​

成本計算​

MiniMax - 文字轉語音

快速入門​

LiteLLM Python SDK 使用方式​

基本使用​

非同步使用​

聲音選擇​

自訂參數​

回應格式​

LiteLLM Proxy 使用方式​

設定​

發送請求​

聲音對應​

串流（WebSocket）​

錯誤處理​

額外的主體參數​

總覽

支援的模型

使用範例

基本聊天完成

使用環境變數

使用思考（M2.1 功能）

使用工具呼叫

與 LiteLLM Proxy 搭配使用

步驟 1：設定 LiteLLM Proxy

步驟 2：搭配 Anthropic SDK 使用

與 LiteLLM SDK 搭配使用

基本聊天完成

使用環境變數

使用推理拆分

使用工具呼叫

串流

透過 LiteLLM Proxy 與 OpenAI SDK 搭配使用

步驟 1：設定 LiteLLM Proxy

步驟 2：搭配 OpenAI SDK 使用

使用 OpenAI SDK 串流

成本計算

快速入門

LiteLLM Python SDK 使用方式

基本使用

非同步使用

聲音選擇

自訂參數

回應格式

LiteLLM Proxy 使用方式

設定

發送請求

聲音對應

串流（WebSocket）

錯誤處理

額外的主體參數