Crie uma voz personalizada a partir de uma amostra de áudio para síntese de fala ou conversas de voz em tempo real.
Visão geral dos recursos
A clonagem de voz permite personalizar assistentes de voz, anúncios de marca e conteúdo de áudio sem treinar um modelo.
Para criar uma voz a partir de uma descrição em linguagem natural, sem uma amostra de áudio, use Design de voz.
Pré-requisitos
-
Obtenha uma chave de API e defina a variável de ambiente
DASHSCOPE_API_KEY. -
Obtenha o ID do workspace e substitua
YOUR_WORKSPACE_ID(ou{WorkspaceId}nos exemplos do SDK) pelo valor real. Consulte Regiões e endpoints. -
Para usar os exemplos HTTP, instale a biblioteca HTTP do Python
requests: -
Para usar os exemplos do SDK Python, instale o DashScope SDK (versão 2.0.1 ou posterior):
- Prepare um arquivo que atenda aos requisitos de áudio. Qwen-Audio-TTS, Qwen-Audio-Realtime e CosyVoice aceitam uma URL pública ou um Data URI codificado em Base64; o MiniMax continua usando uma URL pública. Os exemplos abaixo usam a URL da amostra de áudio. Para a codificação e os parâmetros do áudio local, consulte a API HTTP.
Começar a usar
Uma voz clonada para Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice é vinculada ao seu
target_model na criação e não pode ser usada com outro modelo. Para usar a mesma voz de referência com vários modelos, crie uma voz separada para cada modelo. - Qwen-Audio-TTS / CosyVoice
- Qwen-Audio-Realtime
Qwen-Audio-TTS e CosyVoice usam o mesmo fluxo de criação de voz e síntese básica. O exemplo a seguir usa qwen-audio-3.1-tts-plus.O exemplo salva o áudio sintetizado em
- Criar uma voz: passe a URL do áudio de referência (a API HTTP também aceita um Data URI codificado em Base64; os exemplos do SDK usam uma URL pública). Defina
target_modelcomo o modelo de destino eprefixcomo o prefixo do nome da voz. - Sintetizar fala: passe o ID de voz retornado como
voice, use o mesmo modelo de destino e salve o áudio sintetizado.
- Python SDK
- HTTP
output.wav. Salve o ID de voz exibido para uso posterior.- Qwen-Audio-TTS: Acesso por WebSocket, Acesso por AOQ
- CosyVoice: Acesso por WebSocket, Acesso por AOQ
- Qwen-Audio-Realtime: Acesso por WebSocket, Acesso por WebRTC, Acesso por AOQ
Requisitos de áudio
A qualidade do áudio de entrada afeta a semelhança e a naturalidade da voz. Siga as especificações do modelo de destino e as dicas de gravação abaixo para reduzir ruído, reverberação e vozes de outras pessoas.
| Item | Requisito |
|---|---|
| Formatos | WAV (16-bit), MP3, M4A |
| Duração | Recomendado: 10–20 segundos; máximo: 60 segundos. |
| Tamanho do arquivo | ≤ 10 MB |
| Taxa de amostragem | ≥ 16 kHz |
| Canais | Mono ou estéreo. Apenas o primeiro canal de áudio estéreo é processado e deve conter fala válida. |
| Conteúdo | Pelo menos 5 segundos de leitura contínua e clara, com apenas pausas curtas (≤ 2 segundos) nos demais trechos. Evite música de fundo, ruído ambiente e vozes de outras pessoas. Use fala em ritmo normal, em vez de músicas ou gravações de canto. |
| Idiomas compatíveis |
Clique para ver os idiomas compatíveis por modelo CosyVoice
|
Clique para ver dicas de gravação e operação
Clique para ver dicas de gravação e operação
Equipamento de gravação Use um smartphone, gravador digital ou equipamento profissional de gravação. Recomendamos um dispositivo que suporte gravação com alta taxa de amostragem (≥ 24 kHz) para atender aos requisitos de áudio.Ambiente de gravação Local
- Grave em um espaço pequeno e fechado, com 10 metros quadrados ou menos.
- Prefira salas com materiais de absorção acústica, como espuma acústica, carpetes ou cortinas.
- Evite salões abertos, salas de conferência, salas de aula e outros espaços com muita reverberação.
- Ruído externo: Feche portas e janelas para evitar trânsito, obras e outros distúrbios.
- Ruído interno: Desligue ar-condicionado, ventiladores, reatores de lâmpadas fluorescentes e outros equipamentos. Grave o som ambiente no celular e reproduza-o em volume alto para identificar possíveis fontes de ruído.
- A reverberação torna o som indistinto e reduz a clareza.
- Reduza reflexões em superfícies lisas: feche cortinas, abra portas de armários e coloque roupas ou cobertores sobre mesas e gabinetes.
- Utilize objetos irregulares (como estantes e móveis estofados) para criar reflexões difusas.
- Não há restrições específicas de conteúdo. Recomendamos adequar o conteúdo ao seu caso de uso alvo.
- Evite frases curtas (como "olá" ou "sim"). Utilize sentenças completas.
- Mantenha a coerência semântica e evite pausas frequentes durante a leitura (recomenda-se pelo menos 3 segundos contínuos sem interrupção).
- Mantenha uma velocidade de fala consistente do início ao fim. Evite falar rápido demais no começo ou no final, pois isso pode causar gaguejos durante a síntese.
- Inclua expressão emocional adequada (como calor humano, simpatia ou seriedade). Evite leituras mecânicas.
- Não inclua conteúdo sensível (como material político, pornográfico ou violento). Isso causará falha na clonagem.
- Familiarize-se previamente com o roteiro, defina um tom de personagem e fale naturalmente.
- Mantenha uma distância de aproximadamente 10 cm do dispositivo de gravação para evitar distorção por plosivas ou sinal fraco.
Gerenciamento de vozes
Qwen-Audio-TTS, Qwen-Audio-Realtime e CosyVoice usam as mesmas APIs de consulta, atualização e exclusão de vozes. Para interfaces e parâmetros, consulte a Referência da API HTTP de clonagem de voz.
- Listar vozes: veja as vozes personalizadas existentes na conta.
- Consultar detalhes da voz: veja informações como a data de criação e o modelo vinculado.
- Atualizar uma voz: substitua o áudio de referência mantendo o ID da voz existente.
- Excluir uma voz: exclua vozes não utilizadas para liberar cota.
Modelos compatíveis
- China (Pequim)
- 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
Cotas e limites
-
Quantidade de vozes: cada conta do Alibaba Cloud Model Studio pode ter até 1.000 vozes personalizadas no total. A clonagem e o design de voz compartilham essa cota de conta entre todos os modelos.
- Novas solicitações de criação por clonagem ou design de voz falham quando a cota é atingida. Exclua vozes não utilizadas para liberar cota antes de criar outra voz.
Cobrança
- Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice: A criação de vozes é gratuita. A síntese de fala e as conversas de voz em tempo real com vozes clonadas são cobradas conforme o modelo de destino. Consulte Preços dos modelos.