Parâmetros HTTP, respostas e exemplos de clonagem de voz para Qwen-Audio e CosyVoice.
Esta referência abrange Qwen-Audio-TTS, Qwen-Audio-Realtime e CosyVoice.
Primeiro, obtenha uma chave de API e configure as variáveis de ambiente. Os exemplos de solicitação leem
Substitua
Consulte os requisitos de áudio no Guia de clonagem de voz. O processo de clonagem do Qwen-Audio-Realtime está em Clonagem de voz para conversas em tempo real. A criação de uma voz com o Qwen-Audio-Realtime é gratuita; as chamadas ao modelo são cobradas conforme o modelo de destino. Consulte Informações de cobrança e os limites em Informações de cota.
As vozes criadas passam por um processo de revisão.
Se encontrar erros, consulte Error codes para solução de problemas.
DASHSCOPE_API_KEY. Ao gerenciar a mesma voz em diferentes APIs, use a mesma conta.
Para as definições dos SDKs, consulte Java SDK e Python SDK.
Endpoint do serviço
- China (Pequim)
- Singapura
POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/customization{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.
Cabeçalhos da solicitação
| Parâmetro | Tipo | Obrigatório | Descrição |
|---|---|---|---|
| Authorization | string | Sim | Token de autenticação no formato Bearer <your_api_key>. Substitua <your_api_key> pela sua chave de API real. |
| Content-Type | string | Sim | Defina como application/json. |
Requisitos de áudio e custos
Consulte os requisitos de áudio no Guia de clonagem de voz. O processo de clonagem do Qwen-Audio-Realtime está em Clonagem de voz para conversas em tempo real. A criação de uma voz com o Qwen-Audio-Realtime é gratuita; as chamadas ao modelo são cobradas conforme o modelo de destino. Consulte Informações de cobrança e os limites em Informações de cota.
Corpo da solicitação
model string — ObrigatórioDefina como voice-enrollment.input object — Obrigatório
Propriedades action string — ObrigatórioOperação:
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.Escolha um modelo Qwen-Audio-TTS, Qwen-Audio-Realtime ou CosyVoice que ofereça clonagem de voz. Consulte os IDs e as regiões em Modelos compatíveis.audio string — Obrigatório na criação ou atualização se url não for fornecidoÁudio de referência para criação ou novo áudio de referência para atualização. Aceita uma URL acessível publicamente ou um Data URI Base64, como data:audio/wav;base64,....Compatível com o parâmetro legado url. Quando url for usado, audio pode ser omitido. url será descontinuado; recomenda-se migrar para audio.string — Obrigatório na criação; opcional na listagemNa criação: prefixo do nome da voz. Permite apenas dígitos e letras inglesas, com no máximo 10 caracteres. O nome gerado tem o formato {target_model}-{prefix}-{unique_id}.Na listagem: filtra as vozes pelo prefixo do nome.language_hints array[string] — Opcional na criaçãoAuxilia o modelo a identificar o idioma do áudio de amostra para extrair características vocais com mais precisão e melhorar a qualidade da clonagem. Se o idioma especificado não corresponder ao idioma real do áudio (por exemplo, definir en quando o áudio está em chinês), o sistema ignora esse valor e detecta o idioma automaticamente.Este parâmetro é um array e deve conter exatamente 1 elemento.Aplica-se a 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-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus, qwen-audio-3.0-realtime-flash, cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-plus e cosyvoice-v3-flash.
Clique para consultar os idiomas compatíveis com cada modelo
float — Opcional na criaçãoDuração máxima, em segundos, do áudio de referência usado na clonagem após o pré-processamento. Intervalo de valores: [3.0, 30.0].Valor padrão: 10.0.Aplica-se a 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-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus, qwen-audio-3.0-realtime-flash, cosyvoice-v3.5-plus, cosyvoice-v3.5-flash e cosyvoice-v3-flash. boolean — Opcional na criaçãoDefine se o pré-processamento de áudio será ativado, incluindo redução de ruído, realce de áudio e normalização de volume. Ative-o para gravações com ruído de fundo. Desative-o em gravações feitas em ambientes silenciosos para preservar as características originais da voz.Padrão: false.Aplica-se a 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-3.1-realtime-plus, qwen-audio-3.1-realtime-flash, qwen-audio-3.0-realtime-plus, qwen-audio-3.0-realtime-flash, cosyvoice-v3.5-plus, cosyvoice-v3.5-flash e cosyvoice-v3-flash. string — Opcional na criaçãoDefine se o volume do áudio de exemplo usado na clonagem de voz será normalizado. Valores:
"false".page_index integer — Opcional na listagemÍndice da página.page_size integer — Opcional na listagemNúmero de entradas por página.voice_id string — Obrigatório para consultar, atualizar ou excluirID da voz a consultar, atualizar ou excluir. | Exemplos de solicitação
O exemplo usa qwen-audio-3.1-tts-plus. Substitua target_model em input pelo ID real do modelo de destino.A configuração a seguir se aplica à região Singapura. Substitua "{WorkspaceId}" pelo ID real do workspace. A configuração varia conforme a região.audio no campo audio do objeto input da solicitação de criação ou atualização. Substitua sample.wav pelo caminho do arquivo de áudio local. |
Corpo da resposta
request_id stringIdentificador exclusivo desta solicitação.output objectContém os campos de criação, listagem ou consulta de detalhes. A atualização não retorna dados de negócio. A resposta pode incluir preview_audio, um objeto vazio que pode ser ignorado. A exclusão retorna um objeto vazio.
Propriedades voice_id string — Retornado na criaçãoID da voz.voice_list array[object] — Retornado na listagemLista de vozes encontradas.
Propriedades voice_id stringID da voz.target_model stringModelo de destino que usa a voz, para síntese de fala ou conversa por voz em tempo real.gmt_create stringData e hora de criação da voz.gmt_modified stringHora da última modificação.status stringEstado da voz; consulte os valores válidos em "Descrição dos estados da voz".string — Retornado na consulta de detalhesURL do arquivo de áudio.gmt_create string — Retornado na consulta de detalhesData e hora de criação da voz.gmt_modified string — Retornado na consulta de detalhesHora da última modificação.status string — Retornado na consulta de detalhesEstado da voz; consulte os valores válidos em "Descrição dos estados da voz".target_model string — Retornado na consulta de detalhesModelo de destino que usa a voz, para síntese de fala ou conversa por voz em tempo real.objectInformações de uso desta solicitação.
Propriedades count integerSempre 1. Na criação, indica o número de vozes criadas. | Exemplos de resposta
|
Descrições de status de voz
As vozes criadas passam por um processo de revisão.
| Status | Descrição |
|---|---|
| DEPLOYING | Em revisão ou processamento. |
| OK | Revisão aprovada. A voz está pronta para uso. |
| UNDEPLOYED | Análise rejeitada. A voz não pode ser usada. |