Skip to main content

Clonagem de voz

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:
    pip install requests
    
  • Para usar os exemplos do SDK Python, instale o DashScope SDK (versão 2.0.1 ou posterior):
    # Os exemplos desta documentação usam o DashScope Python SDK 2.0; é necessária a versão 2.0.1 ou posterior
    pip install -U "dashscope>=2.0.1"
    
  • 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.
  1. 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_model como o modelo de destino e prefix como o prefixo do nome da voz.
  2. Sintetizar fala: passe o ID de voz retornado como voice, use o mesmo modelo de destino e salve o áudio sintetizado.
  • Python SDK
  • HTTP
import os

import dashscope

# Configuração da região China (Beijing). Substitua "{WorkspaceId}" pelo ID real do workspace. A configuração varia por região.
client = dashscope.Client(
    # Se a variável de ambiente não estiver definida, substitua a próxima linha pela sua chave de API: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

target_model = "qwen-audio-3.1-tts-plus"

# Crie a voz.
voice = client.audio.voices.create(
    target_model=target_model,
    prefix="myvoice",
    url="https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/cosyvoice/cosyvoice-zeroshot-sample.wav",
)
voice_id = voice.voice_id
print(f"voice_id: {voice_id}")

# Sintetize a fala com o modelo vinculado e o ID de voz retornado.
audio = client.audio.tts.synthesize(
    "The weather is pleasant today. Enjoy a walk outside and have a wonderful day.",
    model=target_model,
    voice=voice_id,
    format="wav",
    sample_rate=24000,
)
with open("output.wav", "wb") as f:
    f.write(audio)
O exemplo salva o áudio sintetizado em output.wav. Salve o ID de voz exibido para uso posterior.
Para mais parâmetros e exemplos de clonagem de voz, consulte a API HTTP, o SDK Python e o SDK Java. Para usar uma voz clonada na síntese de fala ou em conversas de voz em tempo real, consulte:

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.
ItemRequisito
FormatosWAV (16-bit), MP3, M4A
DuraçãoRecomendado: 10–20 segundos; máximo: 60 segundos.
Tamanho do arquivo≤ 10 MB
Taxa de amostragem≥ 16 kHz
CanaisMono ou estéreo. Apenas o primeiro canal de áudio estéreo é processado e deve conter fala válida.
ConteúdoPelo 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
  • Qwen-Audio-TTS / Qwen-Audio-Realtime: Chinês (Mandarim, Cantonês, Chongqing, Nordeste, Gansu, Guizhou, Zhejiang, Hebei, Henan, Hubei, Hunan, Jiangxi, Ningbo, Ningxia, Qingdao, Shaanxi, Shanxi, Shandong, Xangai, Sichuan e dialetos de Yunnan), Inglês, Japonês, Coreano, Russo, Francês, Alemão, Português, Tailandês, Indonésio, Vietnamita, Espanhol, Italiano, Malaio, Filipino e Árabe
  • CosyVoice: Os idiomas compatíveis do áudio de referência variam conforme o modelo de destino que usa a voz.
  • cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-flash: Chinês (Mandarim, Cantonês, Nordeste, Gansu, Guizhou, Henan, Hubei, Jiangxi, Min do Sul, Ningxia, Shanxi, Shaanxi, Shandong, Xangai, Sichuan, Tianjin e dialetos de Yunnan), Inglês, Francês, Alemão, Japonês, Coreano, Russo, Português, Tailandês, Indonésio e Vietnamita
  • cosyvoice-v3-plus: Chinês (Mandarim, Cantonês, Nordeste, Gansu, Guizhou, Henan, Hubei, Jiangxi, Min do Sul, Ningxia, Shanxi, Shaanxi, Shandong, Xangai, Sichuan, Tianjin e dialetos de Yunnan), Inglês, Francês, Alemão, Japonês, Coreano e Russo
  • cosyvoice-v2: Chinês (Mandarim) e Inglês
Gravações claras e naturais ajudam a produzir áudio de referência de alta qualidade e preservar as características da voz. Antes de gravar, consulte as dicas de gravação e operação a seguir.
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.
Controle de ruído
  • 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.
Controle de reverberação
  • 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 Tomando um quarto típico como exemplo, após concluir o controle de ruído e reverberação:
  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.

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.
As vozes criadas permanecem válidas por padrão. Salve o ID da voz e use a API de consulta quando precisar verificar a disponibilidade.

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.