Voice Design

​

Visión general

​

Preparación

• Obtenga una API key y configúrela en la variable de entorno DASHSCOPE_API_KEY.
• Obtenga el ID de su espacio de trabajo y sustituya YOUR_WORKSPACE_ID en el ejemplo por ese valor. Para ver las instrucciones, consulte Regiones, alcance de despliegue del servicio y endpoints.
• Instale DashScope SDK y requests:
  Copy

  pip install -U dashscope requests
  

​

Comenzar a usar

1. Cree una voz: Configure la descripción de voz voice_prompt, el texto de vista previa preview_text y el modelo de destino target_model para obtener un ID de voz.
2. Guarde el audio de vista previa: Decodifique el valor preview_audio.data devuelto y guárdelo como un archivo WAV para escucharlo.
3. Sintetice voz: Use el voice_id devuelto como voice y sintetice con el modelo vinculado.

import base64
import os

import dashscope

# La siguiente configuración corresponde a la región de China (Pekín). Al realizar la llamada, sustituya {WorkspaceId} por el ID real de su espacio de trabajo. El valor de region varía según la región.
client = dashscope.Client(
    # Si no ha configurado una variable de entorno, sustituya la siguiente línea por su API Key de Model Studio: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

target_model = "qwen-audio-3.1-tts-flash"

# Cree una voz y guarde en local el audio de vista previa devuelto.
designed = client.audio.voice_design.create(
    target_model=target_model,
    voice_prompt="A calm middle-aged male announcer with a deep, resonant voice, steady speaking pace, and clear articulation, suited for news broadcasts or documentaries.",
    preview_text="Good evening, everyone. Welcome to the evening news.",
    preferred_name="announcer",
    language="en",
    parameters={"sample_rate": 24000, "response_format": "wav"},
)
voice_id = designed.voice
print(f"voice_id: {voice_id}")
with open("preview.wav", "wb") as f:
    f.write(base64.b64decode(designed.preview_audio["data"]))

# Sintetice voz con el modelo especificado al crear la voz y el ID de voz devuelto.
audio = client.audio.tts.synthesize(
    "The weather is clear today, perfect for a walk outside. Have a wonderful day.",
    model=target_model,
    voice=voice_id,
    format="wav",
    sample_rate=24000,
)
with open("output.wav", "wb") as f:
    f.write(audio)

​

Guía para redactar descripciones de voz

​

Pautas de descripción

• Sea específico: Use cualidades como "grave", "nítida" o "habla rápida". Evite valoraciones vagas como "bonita" o "normal".
• Combine dimensiones: Describa género, edad, tono, velocidad y emoción. "Voz femenina" por sí sola ofrece pocos detalles para obtener una voz distintiva.
• Sea objetivo: Describa cualidades perceptibles, como "tono agudo y enérgico", en lugar de preferencias subjetivas como "mi voz favorita".
• Sea original: Describa las cualidades de la voz sin solicitar la imitación de una persona específica, como una celebridad o un actor. El modelo no admite la imitación dirigida y estas solicitudes pueden plantear problemas de derechos de autor.
• Sea conciso: Reduzca los sinónimos repetidos y los modificadores innecesarios.

​

Ejemplos de descripción

• Estilo de locución estándar: articulación clara y precisa con dicción perfecta
• Voz femenina joven y animada, de ritmo rápido con una entonación ascendente notable, adecuada para presentaciones de productos de moda
• Voz masculina de mediana edad, tranquila y pausada, profunda y resonante, adecuada para noticieros o narración de documentales
• Voz femenina suave y reflexiva, de unos 30 años, tono uniforme, adecuada para la lectura de audiolibros
• Voz infantil tierna, aproximadamente una niña de 8 años, habla ligeramente infantil, adecuada para doblaje de personajes de animación

​

Administración de voces

• Listar voces: Vea las voces personalizadas existentes.
• Consultar detalles de una voz: Vea el modelo vinculado, el estado de la voz y otra información.
• Eliminar una voz: Elimine las voces que ya no necesite para liberar cuota.

​

Modelos compatibles

​

Cuotas y límites

• Número de voces: Cada cuenta de Alibaba Cloud Model Studio puede tener hasta 1,000 voces personalizadas. La clonación de voz y el diseño de voz comparten esta cuota a nivel de cuenta entre todos los modelos.
  Al alcanzar el límite, las nuevas solicitudes de creación mediante clonación o diseño de voz fallan. Elimine las voces que ya no necesite para liberar cuota antes de crear nuevas voces.
• Descripción de voz: voice_prompt solo admite chino e inglés, con una longitud máxima de 500 caracteres.
• Texto de vista previa: preview_text solo admite chino e inglés y debe tener entre 15 y 200 caracteres.
• Vinculación al modelo: Al crear la voz, se vincula a un modelo de síntesis de voz mediante target_model. Use el mismo modelo para las síntesis posteriores.

​

Facturación