Envie uma gravação para criar uma voz e use-a em conversas com Qwen-Omni ou Qwen-Omni-Realtime. Este guia abrange idiomas compatíveis, requisitos de áudio, etapas de clonagem, cobrança e gerenciamento de vozes.
Requisitos de áudio
A qualidade da gravação afeta o resultado da clonagem.
As vozes do sistema e a clonagem de voz oferecem suporte a dialetos diferentes. A tabela abaixo lista os idiomas e dialetos da clonagem de voz. Para as vozes do sistema, consulte a Lista de vozes.
Item | Requisito |
|---|---|
Formatos compatíveis | WAV (16-bit), MP3, M4A |
Duração | Recomendam-se de 10 a 20 segundos. Máximo: 60 segundos. |
Tamanho do arquivo | < 10 MB |
Taxa de amostragem | >= 24 kHz |
Canais | Mono |
Conteúdo | O áudio deve conter pelo menos 3 segundos de fala contínua e clara, sem sons de fundo. O restante pode incluir pausas breves (<=2 segundos). Evite música de fundo, ruídos e outras vozes durante todo o áudio. Use fala normal como entrada. Não envie músicas nem áudio cantado. |
Idiomas | Chinês (zh), inglês (en), alemão (de), italiano (it), português (pt), espanhol (es), japonês (ja), coreano (ko), francês (fr), russo (ru), tailandês (th), indonésio (id), árabe (ar), tcheco (cs), dinamarquês (da), neerlandês (nl), finlandês (fi), hebraico (he), hindi (hi), islandês (is), malaio (ms), norueguês (no), persa (fa), polonês (pl), sueco (sv), tagalo (tl), turco (tr), urdu (ur), vietnamita (vi) Dialetos chineses: Dongbei, Shannxi, Sichuan, Henan, Changsha, Tianjin, Hangzhou, Liaoning, Shenyang, Anshan |
Início rápido
1. Fluxo de trabalho
Crie uma voz e use-a em uma chamada ao modelo:
-
Criar uma voz
Chame a API Criar voz e envie um trecho de áudio. O sistema analisa o áudio e cria uma voz clonada personalizada. Nesta etapa, é necessário especificar
target_modelpara indicar qual modelo omni usará a voz. Se já tiver uma voz, pule esta etapa. Chame a API Listar vozes para consultar as vozes existentes. -
Usar a voz em uma conversa
Chame a API Omni, em tempo real ou não, com a voz criada. O modelo Omni deve corresponder a
target_model.
2. Configuração dos modelos e pré-requisitos
Selecione os modelos e cumpra os pré-requisitos.
Configuração dos modelos
A clonagem de voz exige dois modelos:
- Modelo de clonagem de voz: qwen-voice-enrollment
-
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
Pré-requisitos
- Obter uma chave de API: Obter uma chave de API. Por segurança, configure a chave de API como variável de ambiente.
- Instalar o SDK: Instalar a versão mais recente do SDK do DashScope.
- Preparar o áudio para clonagem: O áudio deve atender aos Requisitos de áudio.
3. Exemplo completo
Este exemplo clona uma voz e a usa em uma conversa.
Princípio fundamental: O target_model especificado durante a clonagem deve corresponder ao modelo da chamada subsequente à API Omni. Caso contrário, a síntese falha. Substitua o arquivo de exemplo voice.mp3 pelo seu próprio áudio.
- Tempo real
- Non-realtime
Cota de vozes e limpeza automática
Limite total: 1.000 vozes por conta.
Esta API não oferece um endpoint de contagem de vozes. Chame a API Listar vozes para contar as vozes.Auto-cleanup: Vozes não utilizadas por um ano são excluídas automaticamente.
Cobrança
A clonagem de voz e as chamadas ao modelo são cobradas separadamente:
-
Clonagem de voz: a API Criar voz custa $0.01 por voz. Solicitações de criação que falham não são cobradas.
Cota gratuita (somente na região Pequim do site da China e na região Singapura do site internacional):
- 1.000 criações gratuitas de voz nos primeiros 90 dias após a ativação do Model Studio.
- Criações que falham não consomem a cota gratuita.
- Excluir uma voz não restaura a cota gratuita.
- Após o consumo da cota gratuita ou o fim do período de 90 dias, a criação é cobrada a $0.01 por voz.
- Conversas com voz clonada são cobradas conforme o uso de tokens do modelo. Consulte Preços de inferência dos modelos.
Direitos autorais e conformidade legal
Você é responsável pela titularidade e pelo uso legal da voz fornecida. Leia o Contrato de serviço.
Guia de gravação
Equipamento de gravação
Use um microfone com cancelamento de ruído ou grave com um celular próximo, em um ambiente silencioso.
Ambiente de gravação
Local
- Grave em um espaço pequeno e fechado, de até 10 metros quadrados.
- Escolha um cômodo com materiais que absorvam o som, como espuma acústica, tapetes ou cortinas.
- Evite salões amplos, salas de reunião e salas de aula com muita reverberação.
Controle de ruído
- Ruído externo: feche portas e janelas para bloquear sons do trânsito, de obras e de outras fontes externas.
- Ruído interno: desligue aparelhos de ar-condicionado, ventiladores e reatores de lâmpadas fluorescentes.
- Grave o som ambiente com o celular e reproduza-o em volume alto para identificar fontes de ruído pouco perceptíveis.
Controle de reverberação
- A reverberação deixa o áudio abafado e reduz a clareza.
- Reduza as reflexões em superfícies lisas: feche as cortinas, abra as portas do guarda-roupa e cubra mesas e prateleiras com roupas ou cobertores.
- Use objetos irregulares, como estantes de livros e móveis estofados, para criar reflexões difusas.
Preparação do roteiro
- Adapte o roteiro ao caso de uso desejado. Por exemplo, use o estilo de diálogo de atendimento ao cliente para esse cenário.
- O roteiro não deve conter conteúdo sensível ou ilegal, como material político, pornográfico ou violento, pois isso causa falha na clonagem.
- Evite frases curtas, como "olá" ou "sim". Use frases completas.
- Mantenha a coerência do texto e evite pausas frequentes durante a leitura. Recomendam-se pelo menos 3 segundos consecutivos sem interrupção.
- Você pode usar a emoção desejada, como simpatia ou seriedade. Mantenha um tom natural e evite exageros.
Etapas recomendadas
Usando um quarto comum como exemplo:
- Feche portas e janelas para bloquear ruídos externos.
- Desligue aparelhos de ar-condicionado, ventiladores e outros eletrodomésticos.
- Feche as cortinas para reduzir as reflexões no vidro.
- Cubra a mesa com roupas ou um cobertor para reduzir as reflexões na superfície.
- Pratique o roteiro, escolha o tom da personagem e fale naturalmente.
- Mantenha cerca de 10 cm de distância do dispositivo de gravação para evitar distorção por consoantes plosivas ou sinal fraco.