Clonagem de voz

​

Visão geral

• Qwen-Audio-TTS / CosyVoice: Crie vozes usando o DashScope SDK ou a HTTP API. Suporta síntese de fala em tempo real . Disponível nas regiões Beijing e Singapore.
• Qwen-Audio-Realtime: O Qwen-Audio-Realtime é um modelo de diálogo de voz em tempo real (não é um modelo de síntese de fala). A clonagem de voz serve para personalizar a voz TTS das respostas do modelo de diálogo. Crie vozes usando o DashScope SDK ou a HTTP API. Disponível apenas na região China (Beijing).
• Qwen-TTS: Crie vozes por meio da HTTP API. Suporta síntese de fala em tempo real e não em tempo real. Disponível nas regiões Beijing e Singapore.

​

Pré-requisitos

1. Configure an API key e defina it as an environment variable.
2. Se você chamar a API pelo DashScope SDK, instale the latest SDK.
3. Prepare um arquivo de áudio: O áudio deve atender aos Audio requirements.

​

Início rápido

1. Prepare o áudio: Prepare um arquivo de áudio que atenda aos Audio requirements.
2. Crie uma voz: Chame a API de clonagem de voz para fazer upload do áudio e criar uma voz. Use o parâmetro target_model para especificar o modelo de síntese de fala a ser vinculado.
3. Sintetize a fala com a voz clonada: Chame a API de síntese de fala com o ID de voz retornado na etapa anterior.

​

Clonagem de voz Qwen-Audio-TTS

curl -X POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/customization' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "create_voice",
        "target_model": "qwen-audio-3.0-tts-flash",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav"
    }
}'

# coding=utf-8

import dashscope
from dashscope.audio.tts_v2 import *
import os

# The API Keys for Singapore and Beijing regions are different. Get your API Key: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# If the environment variable is not configured, replace the following line with your Model Studio API Key: dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# The following is the configuration for the Singapore region. Replace "{WorkspaceId}" with your actual workspace ID when calling. The configuration varies by region.
dashscope.base_websocket_api_url='wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'

# Voice cloning and speech synthesis must use the same model
model = "qwen-audio-3.0-tts-flash"
# Replace the voice parameter with the custom voice generated by voice cloning
voice = "voice_id"

# Instantiate SpeechSynthesizer, passing the model, voice, and other request parameters in the constructor
synthesizer = SpeechSynthesizer(model=model, voice=voice)
# Send text for synthesis and get binary audio
audio = synthesizer.call("What's the weather like today?")
# The first text submission requires establishing a WebSocket connection, so the first-packet latency includes the connection setup time
print('[Metric] requestId: {}, first-packet latency: {} ms'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

# Save audio to a local file
with open('output.mp3', 'wb') as f:
    f.write(audio)

​

Clonagem de voz Qwen-Audio-Realtime

import os
import requests

# If not set as an environment variable, replace with your API Key: api_key = "sk-xxx"
api_key = os.environ.get('DASHSCOPE_API_KEY')

# Qwen-Audio-Realtime is available in the Beijing region only.
# Replace {WorkspaceId} with your actual Workspace ID (use a Beijing region API key).
url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/customization'

response = requests.post(
    url,
    headers={
        'Authorization': f'Bearer {api_key}',
        'Content-Type': 'application/json'
    },
    json={
        'model': 'voice-enrollment',
        'input': {
            'action': 'create_voice',
            'target_model': 'qwen-audio-3.0-realtime-plus',
            'prefix': 'myvoice',
            'url': 'https://your-audio-url.wav'
        }
    }
)
result = response.json()
print('voice_id:', result['output']['voice_id'])

curl -X POST 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/customization' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "create_voice",
        "target_model": "qwen-audio-3.0-realtime-plus",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav"
    }
}'

{"type":"session.update","session":{"voice":"qwen-audio-3.0-realtime-plus-myvoice-xxxxxx"}}

​

Clonagem de voz CosyVoice

curl -X POST 'https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/customization' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "voice-enrollment",
    "input": {
        "action": "create_voice",
        "target_model": "cosyvoice-v3.5-plus",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav"
    }
}'

# coding=utf-8

import dashscope
from dashscope.audio.tts_v2 import *
import os

# The API Keys for Singapore and Beijing regions are different. Get your API Key: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# If the environment variable is not configured, replace the following line with your Model Studio API Key: dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# The following is the configuration for the Singapore region. Replace "{WorkspaceId}" with your actual workspace ID when calling. The configuration varies by region.
dashscope.base_websocket_api_url='wss://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api-ws/v1/inference'

# Voice cloning and speech synthesis must use the same model
model = "cosyvoice-v3.5-plus"
# Replace the voice parameter with the custom voice generated by voice cloning
voice = "voice_id"

# Instantiate SpeechSynthesizer, passing the model, voice, and other request parameters in the constructor
synthesizer = SpeechSynthesizer(model=model, voice=voice)
# Send text for synthesis and get binary audio
audio = synthesizer.call("What's the weather like today?")
# The first text submission requires establishing a WebSocket connection, so the first-packet latency includes the connection setup time
print('[Metric] requestId: {}, first-packet latency: {} ms'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

# Save audio to a local file
with open('output.mp3', 'wb') as f:
    f.write(audio)

​

Clonagem de voz Qwen-TTS

import os
import requests
import base64
import pathlib
import dashscope

# ======= Constants =======
DEFAULT_TARGET_MODEL = "qwen3-tts-vc-2026-01-22"  # Voice cloning and speech synthesis must use the same model
DEFAULT_PREFERRED_NAME = "guanyu"
DEFAULT_AUDIO_MIME_TYPE = "audio/mpeg"
VOICE_FILE_PATH = "voice.mp3"  # Relative path to the local audio file used for voice cloning

def create_voice(file_path: str,
                 target_model: str = DEFAULT_TARGET_MODEL,
                 preferred_name: str = DEFAULT_PREFERRED_NAME,
                 audio_mime_type: str = DEFAULT_AUDIO_MIME_TYPE) -> str:
    """
    Create a voice and return the voice parameter
    """
    # The API Keys for Singapore and Beijing regions are different. Get your API Key: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
    # If the environment variable is not configured, replace the following line with your Model Studio API Key: api_key = "sk-xxx"
    api_key = os.getenv("DASHSCOPE_API_KEY")

    file_path_obj = pathlib.Path(file_path)
    if not file_path_obj.exists():
        raise FileNotFoundError(f"Audio file not found: {file_path}")

    base64_str = base64.b64encode(file_path_obj.read_bytes()).decode()
    data_uri = f"data:{audio_mime_type};base64,{base64_str}"

    # The following is the configuration for the Singapore region.
    url = "https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization"
    payload = {
        "model": "qwen-voice-enrollment", # Do not modify this value
        "input": {
            "action": "create",
            "target_model": target_model,
            "preferred_name": preferred_name,
            "audio": {"data": data_uri}
        }
    }
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    resp = requests.post(url, json=payload, headers=headers)
    if resp.status_code != 200:
        raise RuntimeError(f"Failed to create voice: {resp.status_code}, {resp.text}")

    try:
        return resp.json()["output"]["voice"]
    except (KeyError, ValueError) as e:
        raise RuntimeError(f"Failed to parse voice response: {e}")

if __name__ == '__main__':
    # The following is the configuration for the Singapore region.
    dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

    text = "What's the weather like today?"
    response = dashscope.MultiModalConversation.call(
        model=DEFAULT_TARGET_MODEL,
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        text=text,
        voice=create_voice(VOICE_FILE_PATH), # Replace the voice parameter with the custom voice generated by voice cloning
        stream=False
    )
    print(response)

curl -X POST 'https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen-voice-enrollment",
    "input": {
        "action": "create",
        "target_model": "qwen3-tts-vc-2026-01-22",
        "preferred_name": "guanyu",
        "audio": {
            "data": "https://xxx.wav"
        }
    }
}'

curl -X POST 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-tts-vc-2026-01-22",
    "input": {
        "text": "What's the weather like today?",
        "voice": "YOUR_VOICE_ID"
    }
}'

​

Requisitos de áudio

​

Dicas de gravação

​

Equipamento de gravação

​

Ambiente de gravação

• 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.

​

Roteiro de gravação

• 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.

​

Melhores práticas

1. Familiarize-se previamente com o roteiro, defina um tom de personagem e fale naturalmente.
2. Mantenha uma distância de aproximadamente 10 cm do dispositivo de gravação para evitar distorção por plosivas ou sinal fraco.

​

Gerencie vozes personalizadas

• Listar vozes: Recupere uma lista de todas as vozes personalizadas da conta atual.
• Obter detalhes da voz (apenas Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice): Visualize informações detalhadas sobre uma voz específica, como horário de criação e modelo de síntese de fala vinculado.
• Exclua uma voz: Exclua vozes personalizadas que não são mais necessárias para liberar cota.

​

Cota e faturamento

​

Cota de vozes e limpeza automática

• Limite de vozes: Cada conta do Alibaba Cloud Model Studio pode criar até 1.000 vozes personalizadas para Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice e até 1.000 para Qwen-TTS (as duas cotas são calculadas independentemente). Ao atingir o limite, novas solicitações de criação falharão e retornarão um erro. O sistema não exclui automaticamente as vozes criadas há mais tempo. Para criar novas vozes, exclua as desnecessárias para liberar cota ou aguarde a limpeza automática de vozes não utilizadas (consulte as regras de limpeza automática abaixo).
• Comportamento ao atingir o limite: Após atingir o limite de 1.000 vozes, chamadas subsequentes à API de criação de voz retornarão um erro de falha. O sistema não remove automaticamente as vozes mais antigas para abrir espaço. Exclua manualmente as vozes desnecessárias para liberar cota antes de continuar criando novas vozes.
• Regra de limpeza automática: Se uma voz não for usada em nenhuma solicitação de síntese de fala no último ano, o sistema a excluirá automaticamente.

​

Regras de faturamento

• Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice: A criação de vozes é gratuita.
• Qwen-TTS: Cobrado a $0,01/voz. Criações com falha não são cobradas. Cota gratuita (disponível apenas na região Singapore):
  • Dentro de 90 dias após a ativação do Alibaba Cloud Model Studio, crie até 1.000 vozes gratuitamente.
  • Criações com falha não consomem a cota gratuita.
  • A exclusão de uma voz não restaura a cota gratuita.
  • Após o esgotamento da cota gratuita ou o término do período de 90 dias, a criação de vozes será cobrada a $0,01/voz.

​

Modelos e regiões suportados

​

Referência da API

​

FAQ

​

P: Posso usar uma voz criada com diferentes modelos de síntese de fala?

​

P: Qual é a validade de uma voz clonada?

​

P: A baixa qualidade do áudio afeta os resultados da clonagem?