Skip to main content

音声クローニング

音声サンプルからカスタム音色を作成し、音声合成やリアルタイム音声対話に使用します。

機能紹介

音声クローニングは、パーソナライズされた音声アシスタント、ブランド専用のアナウンス、カスタム音声コンテンツに適しており、モデルのトレーニングは不要です。
音声サンプルを使用せず、自然言語の説明から音色を作成するには、音色デザインをご参照ください。

事前準備

  • API キーを取得し、環境変数 DASHSCOPE_API_KEY に設定します。
  • ワークスペース ID を取得し、例の YOUR_WORKSPACE_ID(SDK の例では {WorkspaceId})を実際の値に置き換えます。リージョンとエンドポイントをご参照ください。
  • HTTP の例を使用する場合は、Python の HTTP ライブラリ requests をインストールします。
    pip install requests
    
  • Python SDK の例を使用する場合は、DashScope SDK(バージョン 2.0.1 以降)をインストールします。
    # このドキュメントの例は DashScope Python SDK 2.0 を使用し、バージョン 2.0.1 以降が必要です
    pip install -U "dashscope>=2.0.1"
    
  • 音声の要件を満たす音声ファイルを用意します。Qwen-Audio-TTS、Qwen-Audio-Realtime、CosyVoice では公開 URL または Base64 Data URI を使用できます。MiniMax では引き続き公開 URL を使用します。以下の例ではサンプル音声の URL を使用します。ローカル音声のエンコードとパラメーターの指定方法については、HTTP API をご参照ください。

使用開始

Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice のクローン音色は作成時に target_model にバインドされ、他のモデルでは使用できません。同じ参照音声を複数のモデルで使用する場合は、モデルごとに音色を作成します。
  • Qwen-Audio-TTS / CosyVoice
  • Qwen-Audio-Realtime
Qwen-Audio-TTS と CosyVoice は、音色の作成と基本的な音声合成に同じフローを使用します。以下は qwen-audio-3.1-tts-plus の例です。
  1. 音色を作成:参照音声の URL を指定します(HTTP API は Base64 Data URI にも対応し、SDK の例では公開 URL を使用します)。target_model に対象モデル、prefix に音色名のプレフィックスを指定します。
  2. 音声を合成:返された音色 ID を voice に渡し、同じ対象モデルを使用して音声を合成し、保存します。
  • Python SDK
  • HTTP
import os

import dashscope

# 以下は中国(北京)リージョンの設定です。"{WorkspaceId}" を実際のワークスペース ID に置き換えてください。設定はリージョンによって異なります。
client = dashscope.Client(
    # 環境変数を設定していない場合は、次の行を自分の API キーに置き換えてください:api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

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

# 音色を作成します。
voice = client.audio.voices.create(
    target_model=target_model,
    prefix="myvoice",
    url="https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/cosyvoice/cosyvoice-zeroshot-sample.wav",
)
voice_id = voice.voice_id
print(f"voice_id: {voice_id}")

# バインドされたモデルと返された音色 ID を使用して音声を合成します。
audio = client.audio.tts.synthesize(
    "The weather is pleasant today. Enjoy a walk outside and 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)
合成音声は output.wav に保存されます。表示された音色 ID を保存して、後で再利用できます。
音声クローニングのパラメーターと例については、HTTP API、Python SDK、Java SDKをご参照ください。 クローン音色を使用した音声合成またはリアルタイム音声対話の呼び出し方法は、次のドキュメントをご参照ください。

音声の要件

入力音声の品質は、音色の類似度と自然さに影響します。対象モデルの仕様を満たすサンプルを用意し、以下の録音のヒントを参考に、ノイズ、残響、他の話者の声を減らしてください。
項目要件
形式WAV (16-bit)、MP3、M4A
長さ10~20 秒を推奨。最大 60 秒。
ファイルサイズ≤ 10 MB
サンプルレート≥ 16 kHz
チャンネルモノラルまたはステレオ。ステレオ音声では最初のチャンネルのみが処理されるため、そのチャンネルに有効な音声を含める必要があります。
内容少なくとも 5 秒間の連続した明瞭な読み上げを含め、それ以外の無音区間は 2 秒以下にします。BGM、環境ノイズ、他の話者の声を避けてください。通常の速度で話す音声を使用し、歌や歌唱の録音は使用しないでください。
サポートされる言語
  • Qwen-Audio-TTS / Qwen-Audio-Realtime:中国語 (標準中国語、広東語、重慶、東北、甘粛、貴州、浙江、河北、河南、湖北、湖南、江西、寧波、寧夏、青島、陝西、山西、山東、上海、四川、雲南の方言)、英語、日本語、韓国語、ロシア語、フランス語、ドイツ語、ポルトガル語、タイ語、インドネシア語、ベトナム語、スペイン語、イタリア語、マレーシア語、フィリピン語、アラビア語
  • CosyVoice:参照音声の対応言語は、その音色を使用する対象モデルによって異なります。
  • cosyvoice-v3.5-plus, cosyvoice-v3.5-flash、cosyvoice-v3-flash: 中国語 (標準中国語、広東語、東北、甘粛、貴州、河南、湖北、江西、閩南語、寧夏、山西、陝西、山東、上海、四川、天津、雲南の方言)、英語、フランス語、ドイツ語、日本語、韓国語、ロシア語、ポルトガル語、タイ語、インドネシア語、ベトナム語
  • cosyvoice-v3-plus: 中国語 (標準中国語、広東語、東北、甘粛、貴州、河南、湖北、江西、閩南語、寧夏、山西、陝西、山東、上海、四川、天津、雲南の方言)、英語、フランス語、ドイツ語、日本語、韓国語、ロシア語
  • cosyvoice-v2: 中国語 (標準中国語) と英語
明瞭で自然な録音は、高品質な参照音声を用意し、声の特徴を保持するのに役立ちます。録音前に、以下の録音と操作に関するヒントをご参照ください。
録音機器 スマートフォン、デジタルボイスレコーダー、またはプロフェッショナル録音デバイスを使用できます。音声要件を満たすために、高いサンプルレート (24 kHz 以上) での録音をサポートするデバイスを推奨します。録音環境 場所
  • 10 平方メートル以下の小さな密閉空間で録音してください。
  • 吸音フォーム、カーペット、カーテンなどの吸音材がある部屋を優先してください。
  • 開けたホール、会議室、教室など、残響の多い空間は避けてください。
ノイズコントロール
  • 外部ノイズ: ドアや窓を閉めて、交通、建設などの妨害を避けてください。
  • 内部ノイズ: エアコン、ファン、蛍光灯の安定器などの機器をオフにしてください。スマートフォンの環境音を録音し、大音量で再生して潜在的なノイズ源を特定できます。
残響コントロール
  • 残響は音をぼやけさせ、明瞭度を低下させます。
  • 滑らかな表面からの反射を減らす: カーテンを閉め、クローゼットのドアを開け、テーブルやキャビネットに衣類や毛布をかけます。
  • 本棚や布張りの家具などの不規則なオブジェクトを使用して、拡散反射を作り出します。
録音スクリプト
  • 特定のコンテンツ制限はありません。ターゲットのユースケースに合わせてコンテンツを一致させることを推奨します。
  • 「こんにちは」や「はい」などの短いフレーズは避けてください。完全な文章を使用してください。
  • 意味的な一貫性を保ち、読み上げ中の頻繁な休止を避けてください (中断なしで少なくとも 3 秒間連続することを推奨します)。
  • 全体を通して一貫した話し速を維持してください。最初や最後で速く話しすぎると、合成時にコマ落ちの原因となることがあります。
  • 暖かさ、親しみやすさ、真剣さなど、適切な感情表現を含めてください。機械的な読み上げは避けてください。
  • 機密コンテンツ (政治的、ポルノ、暴力的など) は含めないでください。これにより、クローニングが失敗します。
ベストプラクティス 典型的な寝室を例に、ノイズと残響のコントロールを完了した後:
  1. 事前にスクリプトに慣れ、キャラクターのトーンを設定し、自然に話します。
  2. 破裂音の歪みや弱い信号を避けるため、録音デバイスから約 10 cm の距離を保ちます。

音色の管理

Qwen-Audio-TTS、Qwen-Audio-Realtime、CosyVoice は、同じ音色照会・更新・削除 API を使用します。インターフェイスとパラメーターについては、音声クローニング HTTP API リファレンスをご参照ください。
  • 音色一覧の照会:アカウント内の既存のカスタム音色を確認します。
  • 音色詳細の照会:作成日時やバインドされたモデルなどを確認します。
  • 音色の更新:参照音声を置き換え、既存の音色 ID を保持します。
  • 音色の削除:不要な音色を削除し、クォータを解放します。
作成された音色は、デフォルトで長期間有効です。音色 ID を保存し、必要に応じて照会 API で利用可能かどうかを確認します。

サポートされるモデル

  • 中国 (北京)
  • シンガポール
  • 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

クォータと制限

  • 音色数:Alibaba Cloud Model Studio アカウントごとのカスタム音色の合計上限は 1,000 個です。音声クローニングと音色デザインは、モデルを問わずこのアカウントのクォータを共有します。
    • 上限に達すると、新しい音声クローニングまたは音色デザインの作成リクエストは失敗します。不要な音色を削除してクォータを解放してから、新しい音色を作成してください。

課金

  • Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice:音色の作成は無料です。クローン音色を使用する音声合成とリアルタイム音声対話は、対象モデルに応じて課金されます。モデルの料金をご参照ください。