Créez une voix personnalisée à partir d’un échantillon audio pour la synthèse vocale ou les conversations vocales en temps réel.
Présentation de la fonctionnalité
Le clonage vocal permet de personnaliser les assistants vocaux, les annonces de marque et les contenus audio, sans entraîner de modèle.
Pour créer une voix à partir d’une description en langage naturel, sans échantillon audio, utilisez Conception vocale.
Prérequis
-
Obtenez une clé API et définissez la variable d’environnement
DASHSCOPE_API_KEY. -
Obtenez l’ID de votre espace de travail et remplacez
YOUR_WORKSPACE_ID(ou{WorkspaceId}dans les exemples du SDK) par la valeur réelle. Consultez Régions et points de terminaison. -
Pour utiliser les exemples HTTP, installez la bibliothèque HTTP Python
requests: -
Pour utiliser les exemples du SDK Python, installez le SDK DashScope (version 2.0.1 ou ultérieure) :
- Préparez un fichier audio conforme aux exigences audio. Qwen-Audio-TTS, Qwen-Audio-Realtime et CosyVoice acceptent une URL publique ou un Data URI encodé en Base64 ; MiniMax utilise toujours une URL publique. Les exemples ci-dessous utilisent l’URL du fichier audio d’exemple. Pour l’encodage et les paramètres des fichiers locaux, consultez l’API HTTP.
Prise en main
Une voix clonée pour Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice est liée à son
target_model lors de sa création et ne peut pas être utilisée avec un autre modèle. Pour utiliser la même voix de référence avec plusieurs modèles, créez une voix distincte pour chacun. - Qwen-Audio-TTS / CosyVoice
- Qwen-Audio-Realtime
Qwen-Audio-TTS et CosyVoice utilisent le même processus de création de voix et de synthèse de base. L’exemple suivant utilise qwen-audio-3.1-tts-plus.L’exemple enregistre l’audio synthétisé dans
- Créer une voix : transmettez l’URL de l’audio de référence (l’API HTTP accepte aussi un Data URI encodé en Base64 ; les exemples du SDK utilisent une URL publique). Définissez
target_modelsur le modèle cible etprefixsur le préfixe du nom de voix. - Synthétiser la parole : passez l’ID de voix retourné dans
voice, utilisez le même modèle cible et enregistrez l’audio synthétisé.
- Python SDK
- HTTP
output.wav. Conservez l’ID de voix affiché pour une utilisation ultérieure.- Qwen-Audio-TTS: Connexion WebSocket, Connexion AOQ
- CosyVoice: Connexion WebSocket, Connexion AOQ
- Qwen-Audio-Realtime: Connexion WebSocket, Connexion WebRTC, Connexion AOQ
Exigences audio
La qualité de l’audio d’entrée affecte la similarité et le naturel de la voix. Respectez les spécifications du modèle cible et les conseils d’enregistrement ci-dessous pour réduire le bruit, la réverbération et les voix d’autres personnes.
| Élément | Exigence |
|---|---|
| Formats | WAV (16-bit), MP3, M4A |
| Durée | 10 à 20 secondes recommandées ; 60 secondes maximum. |
| Taille du fichier | ≤ 10 MB |
| Fréquence d’échantillonnage | ≥ 16 kHz |
| Canaux | Mono ou stéréo. Seul le premier canal d’un audio stéréo est traité et doit contenir une voix valide. |
| Contenu | Au moins 5 secondes de lecture continue et claire, avec seulement de courtes pauses (≤ 2 secondes) ailleurs. Évitez la musique de fond, le bruit ambiant et les autres voix. Utilisez une voix parlée à un rythme normal, plutôt que des chansons ou des enregistrements chantés. |
| Langues prises en charge |
Cliquez pour voir les langues prises en charge par modèle CosyVoice
|
Cliquez pour voir les conseils d’enregistrement et de prise de son
Cliquez pour voir les conseils d’enregistrement et de prise de son
Matériel d'enregistrement Vous pouvez utiliser un smartphone, un dictaphone numérique ou un équipement d'enregistrement professionnel. Nous recommandons un appareil prenant en charge un taux d'échantillonnage élevé (≥ 24 kHz) afin de répondre aux exigences audio.Environnement d'enregistrement Lieu
- Enregistrez dans un petit espace clos de 10 mètres carrés ou moins.
- Privilégiez les pièces dotées de matériaux absorbants tels que de la mousse acoustique, des tapis ou des rideaux.
- Évitez les halls ouverts, les salles de conférence, les salles de classe et autres espaces très réverbérants.
- Bruit extérieur : Fermez les portes et les fenêtres pour éviter les nuisances liées à la circulation, aux travaux ou à d'autres perturbations.
- Bruit intérieur : Éteignez les climatiseurs, ventilateurs, ballasts de lampes fluorescentes et autres appareils. Vous pouvez enregistrer le son ambiant avec votre téléphone et le réécouter à volume élevé pour identifier les sources potentielles de bruit.
- La réverbération rend le son flou et réduit sa clarté.
- Réduisez les réflexions sur les surfaces lisses : fermez les rideaux, ouvrez les portes des armoires et drapez des vêtements ou des couvertures sur les tables et les meubles.
- Utilisez des objets aux formes irrégulières (comme des bibliothèques et des meubles rembourrés) pour créer des réflexions diffuses.
- Il n'y a aucune restriction spécifique concernant le contenu. Nous vous recommandons d'adapter le texte à votre cas d'utilisation cible.
- Évitez les phrases courtes (comme « bonjour » ou « oui »). Privilégiez des phrases complètes.
- Maintenez une cohérence sémantique et évitez les pauses fréquentes pendant la lecture (il est recommandé de parler en continu pendant au moins 3 secondes sans interruption).
- Gardez une vitesse de parole constante tout au long de l'enregistrement. Évitez de parler trop vite au début ou à la fin, ce qui pourrait provoquer des bégaiements lors de la synthèse.
- Adoptez une expression émotionnelle appropriée (chaleur, convivialité ou sérieux, par exemple). Évitez une lecture mécanique.
- N'incluez aucun contenu sensible (politique, pornographique ou violent). Cela entraînerait l'échec du clonage.
- Familiarisez-vous au préalable avec le texte, définissez le ton du personnage et exprimez-vous naturellement.
- Maintenez une distance d'environ 10 cm par rapport au dispositif d'enregistrement afin d'éviter toute distorsion due aux plosives ou un signal trop faible.
Gestion des voix
Qwen-Audio-TTS, Qwen-Audio-Realtime et CosyVoice utilisent les mêmes API de consultation, de mise à jour et de suppression des voix. Pour les interfaces et paramètres, consultez la Référence de l’API HTTP de clonage vocal.
- Lister les voix : affichez les voix personnalisées existantes de votre compte.
- Consulter les détails d’une voix : affichez notamment sa date de création et le modèle associé.
- Mettre à jour une voix : remplacez l’audio de référence tout en conservant l’ID de la voix existante.
- Supprimer une voix : supprimez les voix inutilisées pour libérer du quota.
Modèles pris en charge
- Chine (Pékin)
- Singapour
- Qwen-Audio-TTS: qwen-audio-3.1-tts-plus, qwen-audio-3.1-tts-flash, qwen-audio-3.0-tts-plus, qwen-audio-3.0-tts-flash
- Qwen-Audio-Realtime: qwen-audio-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus, qwen-audio-3.0-realtime-flash
- CosyVoice: cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-plus, cosyvoice-v3-flash, cosyvoice-v2
Quotas et limites
-
Nombre de voix : chaque compte Alibaba Cloud Model Studio peut disposer de 1 000 voix personnalisées au total. Le clonage vocal et la conception vocale partagent ce quota de compte entre tous les modèles.
- Les nouvelles demandes de création par clonage ou conception vocale échouent lorsque le quota est atteint. Supprimez les voix inutilisées pour libérer du quota avant d’en créer une autre.
Facturation
- Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice : La création de voix est gratuite. La synthèse et les conversations vocales en temps réel utilisant une voix clonée sont facturées selon le modèle cible. Consultez Tarification des modèles.