Voice Design

​

Visão geral

• CosyVoice: Suporta síntese de fala em tempo real . Disponível na região de Pequim (séries v3.5 e v3).
• Qwen-TTS: Oferece suporte à síntese de fala em tempo real e não em tempo real, com limite maior de caracteres para descrição de voz (2.048 caracteres). Disponível nas regiões de Pequim e Singapura.

​

Pré-requisitos

• Configure uma chave de API e defina-a como variável de ambiente.
• Para chamar a API pelo DashScope SDK, instale o SDK mais recente.

​

Início rápido

1. Escreva uma descrição de voz: Descreva as características desejadas da voz em linguagem natural. Para orientações detalhadas, consulte Escrever descrições de voz.
2. Crie uma voz: Chame a API do Voice Design. O sistema gera uma voz com base na sua descrição e retorna um clipe de áudio de pré-visualização. Ouça a pré-visualização antes de usar a voz em produção.
3. Sintetize a fala com a voz criada: Chame a API de síntese de fala com o ID da voz para gerar o áudio.

​

Voice Design com CosyVoice

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": "cosyvoice-v3.5-plus",
        "voice_prompt": "A composed middle-aged male announcer with a deep, rich and magnetic voice, a steady speaking speed and clear articulation, is suitable for news broadcasting or documentary commentary.",
        "preview_text": "Dear listeners, hello everyone. Welcome to the evening news.",
        "prefix": "announcer"
    },
    "parameters": {
        "sample_rate": 24000,
        "response_format": "wav"
    }
}'

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": "cosyvoice-v3.5-plus",
        "voice_prompt": "A composed middle-aged male announcer with a deep, rich and magnetic voice, a steady speaking speed and clear articulation, is suitable for news broadcasting or documentary commentary.",
        "preview_text": "Dear listeners, hello everyone. Welcome to the evening news.",
        "prefix": "announcer"
    },
    "parameters": {
        "sample_rate": 24000,
        "response_format": "wav"
    }
}'

# coding=utf-8

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

# The API keys for the Singapore and Beijing regions are different. Get an API key: https://www.alibabacloud.com/help/en/model-studio/get-api-key
# If you have not configured the environment variable, 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 configuration is for the China (Beijing) region. Replace "{WorkspaceId}" with your actual workspace ID.
dashscope.base_websocket_api_url='wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference'

# Use the same model for voice design and speech synthesis
model = "cosyvoice-v3.5-plus"
# Replace the voice parameter with the custom voice generated by voice design
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 is the weather like today?")
# Establishing the WebSocket connection is required when sending text for the first time, so the first-package latency includes the connection setup time
print('[Metric] requestId: {}, first-package latency: {} ms'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

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

​

Voice Design com Qwen-TTS

import os
import requests
import dashscope

# ======= Constants =======
DEFAULT_TARGET_MODEL = "qwen3-tts-vd-2026-01-26"  # Use the same model for voice design and speech synthesis
DEFAULT_PREFERRED_NAME = "custom_voice"

# Voice description: describe the desired voice characteristics in natural language
VOICE_PROMPT = "A young and lively female voice with a fast speaking rate and a noticeably rising intonation, suitable for introducing fashion products."

def create_voice_by_design(voice_prompt: str,
                           target_model: str = DEFAULT_TARGET_MODEL,
                           preferred_name: str = DEFAULT_PREFERRED_NAME) -> str:
    """
    Create a custom voice by voice description and return the voice parameter.
    """
    # The API keys for the Singapore and Beijing regions are different. Get an API key: https://www.alibabacloud.com/help/en/model-studio/get-api-key
    # If you have not configured the environment variable, replace the following line with your Model Studio API key: api_key = "sk-xxx"
    api_key = os.getenv("DASHSCOPE_API_KEY")

    # Singapore region
    url = "https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization"
    payload = {
        "model": "qwen-voice-design",
        "input": {
            "action": "create",
            "target_model": target_model,
            "preferred_name": preferred_name,
            "voice_prompt": voice_prompt,
            "preview_text": "Hello everyone, welcome to our live stream! The product we are recommending today is truly amazing."
        },
        "parameters": {
            "sample_rate": 24000,
            "response_format": "wav"
        }
    }
    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}")

    result = resp.json()
    preview_audio = result.get("output", {}).get("preview_audio")
    if preview_audio:
        import base64
        audio_data = base64.b64decode(preview_audio["data"])
        with open("preview_audio.wav", "wb") as f:
            f.write(audio_data)
        print(f"Preview audio saved to preview_audio.wav ({len(audio_data)} bytes)")

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

if __name__ == '__main__':
    # Singapore region
    dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

    voice_id = create_voice_by_design(VOICE_PROMPT)
    print(f"Created voice ID: {voice_id}")

    text = "Hello everyone, welcome to our live stream! The product we are recommending today is truly amazing."
    response = dashscope.MultiModalConversation.call(
        model=DEFAULT_TARGET_MODEL,
        # The API keys for the Singapore and Beijing regions are different. Get an API key: https://www.alibabacloud.com/help/en/model-studio/get-api-key
        # If you have not configured the environment variable, replace the following line with your Model Studio API key: api_key = "sk-xxx"
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        text=text,
        voice=voice_id,
        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-design",
    "input": {
        "action": "create",
        "target_model": "qwen3-tts-vd-2026-01-26",
        "preferred_name": "custom_voice",
        "voice_prompt": "A young and lively female voice with a fast speaking rate and a noticeably rising intonation, suitable for introducing fashion products.",
        "preview_text": "Hello everyone, welcome to our live stream! The product we are recommending today is truly amazing."
    },
    "parameters": {
        "sample_rate": 24000,
        "response_format": "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-vd-2026-01-26",
    "input": {
        "text": "Hello everyone, welcome to our live stream! The product we are recommending today is truly amazing.",
        "voice": "YOUR_VOICE_ID"
    }
}'

​

Escrever descrições de voz

​

Requisitos e limitações

• Limite de comprimento: O tamanho máximo de voice_prompt varia conforme o modelo: até 500 caracteres para CosyVoice e até 2.048 caracteres para Qwen-TTS.
• Idiomas suportados: As descrições de voz aceitam apenas chinês e inglês.

​

Princípios fundamentais

1. Seja específico, não vago: Use termos que descrevam qualidades vocais, como "grave", "nítida" ou "rápida". Evite palavras subjetivas ou ambíguas como "bonita" ou "normal".
2. Aborde múltiplas dimensões: Uma boa descrição abrange diversos aspectos (como gênero, idade e emoção). Descrever apenas "voz feminina" é genérico demais para produzir um resultado distinto.
3. Mantenha a objetividade: Concentre-se nas características físicas e perceptivas da voz. Por exemplo, prefira "aguda com tom enérgico" em vez de "minha voz favorita".
4. Priorize a originalidade: Descreva as qualidades da voz em vez de solicitar a imitação de pessoas específicas (como celebridades ou atores). O modelo não suporta imitações, e tais solicitações podem levantar questões de direitos autorais.
5. Seja conciso: Evite repetir sinônimos ou adicionar modificadores sem significado. Garanta que cada palavra tenha um propósito claro.

​

Dimensões da descrição

​

Exemplos

• Estilo padrão de locução: articulação clara e precisa, com dicção perfeita
• Voz feminina jovem e animada, ritmo acelerado com entonação ascendente marcante, adequada para apresentações de produtos de moda
• Voz masculina de meia-idade, calma e pausada, profunda e ressonante, ideal para leitura de notícias ou narração de documentários
• Voz feminina gentil e ponderada, cerca de 30 anos, tom uniforme, apropriada para narração de audiolivros
• Voz infantil fofa, menina de aproximadamente 8 anos, fala levemente infantilizada, perfeita para dublagem de personagens de animação

​

Gerencie vozes personalizadas

​

Cota e faturamento

​

Cota de vozes e limpeza automática

​

Regras de faturamento

• CosyVoice: A criação de vozes é gratuita.
• Qwen-TTS: Cada criação de voz custa USD 0,2. Criações malsucedidas não são cobradas. Cota gratuita (apenas na região de Singapura):
  • Você recebe 10 criações gratuitas de voz nos primeiros 90 dias após ativar o Alibaba Cloud Model Studio.
  • Criações com falha não consomem a cota gratuita.
  • Excluir 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 é cobrada a USD 0,2 por voz.

​

Modelos e regiões suportados

​

Referência da API

​

Perguntas frequentes

​

A mesma descrição de voz sempre produz a mesma voz?

​

Quais idiomas são suportados nas descrições de voz?

​

Qual é a diferença entre Voice Design e Clonagem de Voz?