Skip to main content

API HTTP de clonagem de voz: Qwen-Omni e LiveTranslate

Parâmetros HTTP, respostas e exemplos para criar, listar e excluir vozes do Qwen-Omni, além de criar e excluir vozes pré-criadas do LiveTranslate.

Esta referência abrange Qwen-Omni, Qwen-Omni-Realtime e as vozes pré-criadas do Qwen-LiveTranslate-Realtime.
Modelo de destinoOperações disponíveis aqui
Qwen-Omni, Qwen-Omni-RealtimeCriar, listar e excluir vozes
Qwen-LiveTranslate-RealtimeCriar e excluir vozes pré-criadas
Primeiro, obtenha uma chave de API e configure as variáveis de ambiente. Os exemplos de solicitação leem DASHSCOPE_API_KEY. Ao gerenciar a mesma voz em diferentes APIs, use a mesma conta.

Endpoint do serviço

Qwen-Omni、Qwen-Omni-Realtime

  • China (Pequim)
  • Singapura
POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/customization
Substitua {WorkspaceId} pelo ID do workspace real, disponível na página Workspace Details do console do Alibaba Cloud Model Studio. As chaves de API de Pequim e Singapura são diferentes.
O Alibaba Cloud Model Studio lançou domínios específicos por workspace para as regiões China (Beijing) e Singapore. Os novos domínios dedicados oferecem desempenho superior e maior estabilidade para solicitações de inferência. Recomendamos migrar para os novos domínios:
  • Região China (Pequim): migre de dashscope.aliyuncs.com para {WorkspaceId}.cn-beijing.maas.aliyuncs.com.
  • Região Singapura: migre de dashscope-intl.aliyuncs.com para {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com.
Os domínios existentes continuam funcionando normalmente.

Qwen-LiveTranslate-Realtime

Região China (Pequim): POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization

Cabeçalhos da solicitação

ParâmetroTipoObrigatórioDescrição
AuthorizationstringSimToken de autenticação no formato Bearer <your_api_key>. Substitua <your_api_key> pela sua chave de API real.
Content-TypestringSimDefina como application/json.

Requisitos de áudio e custos

Qwen-Omni, Qwen-Omni-Realtime: Os formatos de áudio de entrada compatíveis são WAV (16 bits), MP3 e M4A. Recomenda-se duração de 10 a 20 segundos, com máximo de 60 segundos, arquivo menor que 10 MB, taxa de amostragem de pelo menos 24 kHz e apenas um canal (mono). O áudio deve conter pelo menos 3 segundos de fala contínua e clara, com pausas de no máximo 2 segundos. Evite música de fundo, ruídos e outras vozes durante toda a gravação. Use fala normal; não envie músicas nem áudio cantado. Os idiomas e dialetos compatíveis estão nos parâmetros language abaixo. As recomendações de gravação estão em Requisitos de áudio. As etapas de clonagem, os exemplos completos e os custos estão no Guia de clonagem de voz. Qwen-LiveTranslate-Realtime: Oferece suporte a qwen3.8-livetranslate-flash-realtime e qwen3.5-livetranslate-flash-realtime. Esta seção descreve a criação prévia de uma voz. A extração da voz de entrada em tempo real durante a tradução está em Configuração de voz. A criação prévia de uma voz tem cobrança separada; as chamadas ao modelo continuam sendo cobradas pelo uso de tokens, conforme Informações de cobrança. O áudio de referência deve usar uma URL de acesso público.

Corpo da solicitação

model string — ObrigatórioDefina como qwen-voice-enrollment.input object — Obrigatório

Propriedades

action string — ObrigatórioOperação:
  • create: Criar uma voz.
  • list: Listar vozes (somente Qwen-Omni e Qwen-Omni-Realtime).
  • delete: Excluir uma voz.
target_model string — Obrigatório na criaçãoModelo que usará a voz. Ele deve corresponder ao modelo das chamadas posteriores de síntese ou conversa; caso contrário, a chamada falha.Qwen-Omni, Qwen-Omni-Realtime: modelo omni:
  • qwen3.8-omni-flash-realtime
  • qwen3.5-omni-plus-realtime
  • qwen3.5-omni-flash-realtime
  • qwen3.5-omni-plus
  • qwen3.5-omni-flash
Qwen-LiveTranslate-Realtime: modelo de tradução em tempo real usado nas sessões posteriores.audio object — Obrigatório na criaçãoObjeto de áudio de referência.
data string — ObrigatórioQwen-Omni, Qwen-Omni-Realtime: Áudio usado na clonagem. A gravação deve seguir as Orientações de gravação e atender aos Requisitos de áudio.Para Qwen-Omni e Qwen-Omni-Realtime, os dados de áudio podem ser enviados de duas formas:
  1. Data URL Formato: data:<mediatype>;base64,<data>
    • <mediatype>: O tipo MIME
      • WAV: audio/wav
      • MP3: audio/mpeg
      • M4A: audio/mp4
    • <data>: A string codificada em Base64 do áudio A codificação Base64 aumenta o tamanho do arquivo. Use um arquivo original pequeno o suficiente para que o arquivo codificado permaneça abaixo de 10 MB.
    • Exemplo: data:audio/wav;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9
  2. URL do áudio (recomenda-se enviar o áudio ao OSS)
    • O tamanho do arquivo não deve ultrapassar 10 MB.
    • A URL deve ser de acesso público e não exigir autenticação.
python
import base64, pathlib

# input.mp3 is the local audio file for voice cloning. Replace with your own file path. Make sure the file meets the audio requirements.
file_path = pathlib.Path("input.mp3")
base64_str = base64.b64encode(file_path.read_bytes()).decode()
data_uri = f"data:audio/mpeg;base64,{base64_str}"
Qwen-LiveTranslate-Realtime: URL pública do áudio de referência.
preferred_name string — Obrigatório na criaçãoQwen-Omni, Qwen-Omni-Realtime: atribua um nome identificável à voz. São permitidos apenas dígitos, letras maiúsculas e minúsculas e sublinhados, com no máximo 16 caracteres.
Esta palavra-chave aparecerá no nome da voz clonada. Por exemplo, se a palavra-chave for “guanyu”, o nome final será “qwen-omni-vc-guanyu-voice-20250812105009984-838b”.
Qwen-LiveTranslate-Realtime: Identificador no nome da voz.text string — Opcional na criaçãoAplica-se a: Qwen-Omni, Qwen-Omni-Realtime.Texto correspondente ao conteúdo do áudio no campo data do objeto audio.Quando fornecido, o servidor compara o áudio com o texto. Se a diferença for muito grande, retorna Audio.PreprocessError.language string — Opcional na criaçãoAplica-se a: Qwen-Omni, Qwen-Omni-Realtime.Idioma do áudio data no objeto audio.Valores suportados: zh (Chinês), en (Inglês), de (Alemão), it (Italiano), pt (Português), es (Espanhol), ja (Japonês), ko (Coreano), fr (Francês), ru (Russo), th (Tailandês), id (Indonésio), ar (Árabe), cs (Tcheco), da (Dinamarquês), nl (Holandês), fi (Finlandês), he (Hebraico), hi (Hindi), is (Islandês), ms (Malaio), no (Norueguês), fa (Persa), pl (Polonês), sv (Sueco), tl (Tagalo), tr (Turco), ur (Urdu), vi (Vietnamita).Dialetos chineses: Dongbei, Shannxi, Sichuan, Henan, Changsha, Tianjin, Hangzhou, Liaoning, Shenyang, Anshan.Se este parâmetro for usado, o idioma especificado deve corresponder ao idioma do áudio efetivamente usado na clonagem.page_index integer — Opcional na listagemÍndice da página. Padrão: 0. Intervalo: [0, 1000000].page_size integer — Opcional na listagemNúmero de entradas por página. Padrão: 10. Intervalo: [0, 1000000].voice string — Obrigatório na exclusãoID da voz a excluir.Após excluir uma voz pelo Qwen-Omni ou Qwen-Omni-Realtime, a cota correspondente será liberada.
parameters object — Obrigatório na criação, conforme as condiçõesAplica-se a: Qwen-Omni, Qwen-Omni-Realtime.Parâmetros de configuração. Para modelos da série qwen3.8-omni, este objeto é obrigatório para fornecer voice_clone_mode.
voice_clone_mode string — Obrigatório conforme as condiçõesModo de clonagem de voz. Obrigatório para modelos da série qwen3.8-omni. Quando omitido, usa o modo instruct do sistema talker do qwen3.5-omni, com compatibilidade retroativa com os serviços legados.Valores válidos:
  • normal: modo normal
  • dialect: modo de dialeto
  • crosslingual: modo entre idiomas
skip_audio_process boolean — OpcionalValor padrão: false.Indica se o pré-processamento de áudio deve ser ignorado.

Exemplos de solicitação

  • Criar
  • Listar
  • Excluir
  • qwen3.8-omni-flash-realtime
  • qwen3.8-livetranslate-flash-realtime
O exemplo cURL usa uma URL de áudio. Substitua https://xxx.wav pelo endereço real. Os exemplos Python e Java leem um arquivo de áudio local. Substitua input.mp3 pelo caminho real do arquivo.
cURL
# If the environment variable is not set, replace $DASHSCOPE_API_KEY below with your API key.
# ======= Important =======
# The following is the Singapore region URL. Replace {WorkspaceId} with your actual workspace ID. URLs vary by region.
# API keys differ between regions. Get an API key: https://www.alibabacloud.com/help/model-studio/get-api-key
# === Remove these comments before running ===

curl --location --request POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/customization' \
--header "Authorization: Bearer $DASHSCOPE_API_KEY" \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen-voice-enrollment",
    "parameters": {"voice_clone_mode": "normal"},
    "input": {
        "action": "create",
        "target_model": "qwen3.8-omni-flash-realtime",
        "preferred_name": "guanyu",
        "audio": {"data": "https://xxx.wav"}
    }
}'

Corpo da resposta

request_id stringIdentificador exclusivo desta solicitação.output objectRetornado na criação e na listagem. Este campo não está presente na exclusão.
voice string — Retornado na criaçãoQwen-Omni, Qwen-Omni-Realtime: Nome da voz, que pode ser usado como o parâmetro voice nas chamadas seguintes à API Omni.Qwen-LiveTranslate-Realtime: O ID da voz criada é usado no parâmetro voice das sessões de tradução seguintes.target_model string — Retornado na criaçãoQwen-Omni, Qwen-Omni-Realtime: O modelo omni que usa a voz:
  • qwen3.8-omni-flash-realtime
  • qwen3.5-omni-plus-realtime
  • qwen3.5-omni-flash-realtime
  • qwen3.5-omni-plus
  • qwen3.5-omni-flash
Deve corresponder ao modelo usado nas chamadas seguintes à API omni. Caso contrário, a síntese falha.Qwen-LiveTranslate-Realtime: Modelo de destino especificado durante a criação da voz.voice_list array[object] — Retornado na listagemLista de vozes encontradas.
voice stringNome da voz, que pode ser usado como o parâmetro voice nas chamadas seguintes à API Omni.target_model stringO modelo omni que usa a voz:
  • qwen3.8-omni-flash-realtime
  • qwen3.5-omni-plus-realtime
  • qwen3.5-omni-flash-realtime
  • qwen3.5-omni-plus
  • qwen3.5-omni-flash
Deve corresponder ao modelo usado nas chamadas seguintes à API omni. Caso contrário, a síntese falha.gmt_create stringData e hora de criação da voz.
usage objectAplica-se a: Qwen-Omni, Qwen-Omni-Realtime.Informações de uso desta solicitação.
count integerNúmero de operações de criação de voz efetivamente cobradas nesta solicitação. O custo da solicitação é $count × 0.01.Sempre 1 na criação de uma voz. Listar ou excluir vozes é gratuito, portanto o valor é sempre 0.

Exemplos de resposta

  • Criar
  • Listar
  • Excluir
  • qwen3.8-omni-flash-realtime
  • qwen3.8-livetranslate-flash-realtime
  • Estrutura da resposta
{
    "output": {
        "voice": "yourVoice",
        "target_model": "qwen3.8-omni-flash-realtime"
    },
    "usage": {
        "count": 1
    },
    "request_id": "yourRequestId"
}

Mensagens de erro

Se encontrar erros, consulte Error codes para solução de problemas.

Usar vozes em chamadas ao modelo