Buat suara kustom dari sampel audio untuk sintesis ucapan atau percakapan suara real-time.
Gambaran umum fitur
Kloning suara mendukung asisten suara yang dipersonalisasi, pengumuman khusus merek, dan konten audio kustom tanpa pelatihan model.
Untuk membuat suara dari deskripsi bahasa alami tanpa sampel audio, gunakan Desain suara.
Prasyarat
-
Dapatkan API key dan atur variabel lingkungan
DASHSCOPE_API_KEY. -
Dapatkan ID workspace dan ganti
YOUR_WORKSPACE_ID(atau{WorkspaceId}dalam contoh SDK) dengan nilai sebenarnya. Lihat Wilayah dan endpoint. -
Untuk menggunakan contoh HTTP, instal pustaka HTTP Python
requests: -
Untuk menggunakan contoh Python SDK, instal DashScope SDK (versi 2.0.1 atau yang lebih baru):
- Siapkan file audio yang memenuhi persyaratan audio. Qwen-Audio-TTS, Qwen-Audio-Realtime, dan CosyVoice mendukung URL publik atau Base64 Data URI; MiniMax tetap menggunakan URL publik. Contoh berikut menggunakan URL sampel audio. Untuk pengodean dan parameter audio lokal, lihat HTTP API.
Mulai menggunakan
Suara hasil kloning untuk Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice terikat ke
target_model saat dibuat dan tidak dapat digunakan pada model lain. Untuk menggunakan suara referensi yang sama pada beberapa model, buat suara terpisah untuk setiap model. - Qwen-Audio-TTS / CosyVoice
- Qwen-Audio-Realtime
Qwen-Audio-TTS dan CosyVoice menggunakan alur pembuatan suara dan sintesis dasar yang sama. Contoh berikut menggunakan qwen-audio-3.1-tts-plus.Contoh menyimpan audio hasil sintesis ke
- Buat suara: masukkan URL audio referensi (HTTP API juga mendukung Base64 Data URI; contoh SDK menggunakan URL publik). Tetapkan
target_modelke model target danprefixke awalan nama suara. - Sintesis ucapan: teruskan ID suara yang dikembalikan sebagai
voice, gunakan model target yang sama, lalu simpan audio hasil sintesis.
- Python SDK
- HTTP
output.wav. Simpan ID suara yang ditampilkan untuk digunakan kembali.- Qwen-Audio-TTS: Akses WebSocket, Akses AOQ
- CosyVoice: Akses WebSocket, Akses AOQ
- Qwen-Audio-Realtime: Akses WebSocket, Akses WebRTC, Akses AOQ
Persyaratan audio
Kualitas audio input memengaruhi kemiripan dan kealamian suara. Ikuti spesifikasi model target serta tips perekaman di bawah untuk mengurangi noise, gema, dan suara orang lain.
| Item | Persyaratan |
|---|---|
| Format | WAV (16-bit), MP3, M4A |
| Durasi | Disarankan 10–20 detik; maksimum 60 detik. |
| Ukuran file | ≤ 10 MB |
| Sample rate | ≥ 16 kHz |
| Kanal | Mono atau stereo. Hanya kanal pertama audio stereo yang diproses, dan kanal tersebut harus berisi suara yang valid. |
| Konten | Setidaknya 5 detik pembacaan yang jelas dan berkesinambungan, dengan jeda singkat (≤ 2 detik) pada bagian lainnya. Hindari musik latar, noise lingkungan, dan suara orang lain. Gunakan ucapan dengan kecepatan normal, bukan lagu atau rekaman bernyanyi. |
| Bahasa yang didukung |
Klik untuk melihat bahasa yang didukung per model CosyVoice
|
Klik untuk melihat tips perekaman dan pengoperasian
Klik untuk melihat tips perekaman dan pengoperasian
Perangkat perekaman Anda dapat menggunakan smartphone, perekam suara digital, atau perangkat perekaman profesional. Kami merekomendasikan perangkat yang mendukung perekaman laju sampel tinggi (≥ 24 kHz) untuk memenuhi persyaratan audio.Lingkungan perekaman Lokasi
- Rekam di ruang kecil tertutup seluas 10 meter persegi atau kurang.
- Utamakan ruangan dengan material penyerap suara seperti busa akustik, karpet, atau gorden.
- Hindari aula terbuka, ruang konferensi, ruang kelas, dan ruang lain dengan gema tinggi.
- Kebisingan eksternal: Tutup pintu dan jendela untuk menghindari gangguan lalu lintas, konstruksi, dan lainnya.
- Kebisingan internal: Matikan AC, kipas angin, ballast lampu neon, dan peralatan lainnya. Anda dapat merekam suara ambient dengan ponsel dan memutarnya dengan volume tinggi untuk mengidentifikasi sumber kebisingan potensial.
- Gema menyebabkan suara menjadi buram dan mengurangi kejelasan.
- Kurangi pantulan dari permukaan halus: tutup gorden, buka pintu lemari pakaian, dan letakkan pakaian atau selimut di atas meja dan lemari.
- Gunakan benda tidak beraturan (seperti rak buku dan furnitur berlapis kain) untuk menciptakan pantulan difus.
- Tidak ada batasan konten khusus. Kami merekomendasikan agar konten disesuaikan dengan kasus penggunaan target Anda.
- Hindari frasa pendek (seperti "halo" atau "ya"). Gunakan kalimat lengkap.
- Pertahankan koherensi semantik dan hindari jeda berulang saat membaca (disarankan minimal 3 detik berkelanjutan tanpa gangguan).
- Pertahankan kecepatan berbicara yang konsisten sepanjang rekaman. Hindari berbicara terlalu cepat di awal atau akhir, yang dapat menyebabkan tersendat selama sintesis.
- Sertakan ekspresi emosional yang sesuai (seperti kehangatan, keramahan, atau keseriusan). Hindari membaca secara mekanis.
- Jangan sertakan konten sensitif (seperti materi politik, pornografi, atau kekerasan). Hal ini akan menyebabkan kloning gagal.
- Pahami naskah terlebih dahulu, tetapkan nada karakter, dan sampaikan secara alami.
- Pertahankan jarak sekitar 10 cm dari perangkat perekaman untuk menghindari distorsi plosif atau sinyal lemah.
Pengelolaan suara
Qwen-Audio-TTS, Qwen-Audio-Realtime, dan CosyVoice menggunakan API kueri, pembaruan, dan penghapusan suara yang sama. Untuk antarmuka dan parameter, lihat Referensi HTTP API kloning suara.
- Daftar suara: lihat suara kustom yang sudah ada di akun.
- Kueri detail suara: lihat informasi seperti waktu pembuatan dan model yang terikat.
- Perbarui suara: ganti audio referensi dengan tetap mempertahankan ID suara yang ada.
- Hapus suara: hapus suara yang tidak digunakan untuk mengosongkan kuota.
Model yang didukung
- Tiongkok (Beijing)
- Singapura
- 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
Kuota dan batasan
-
Jumlah suara: setiap akun Alibaba Cloud Model Studio dapat memiliki total maksimum 1.000 suara kustom. Kloning suara dan desain suara berbagi kuota akun ini untuk semua model.
- Permintaan pembuatan suara melalui kloning atau desain akan gagal saat kuota tercapai. Hapus suara yang tidak digunakan untuk mengosongkan kuota sebelum membuat suara baru.
Penagihan
- Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice: Pembuatan suara gratis. Sintesis ucapan dan percakapan suara real-time yang menggunakan suara hasil kloning ditagih sesuai model target. Lihat Harga model.