Crie vozes personalizadas a partir de descrições em linguagem natural, ouça a prévia e use-as na síntese de fala.
O design de voz é adequado para prototipagem rápida, produção de conteúdo criativo e vozes de personagens de jogos.
Obtenha uma chave de API no console e configure a variável de ambiente
Qwen-Audio-TTS e CosyVoice compartilham o mesmo fluxo de criação de voz, prévia e síntese básica. O exemplo a seguir usa qwen-audio-3.1-tts-flash.
O exemplo salva o áudio da prévia em
A descrição da voz (
A criação de vozes é gratuita.
A síntese de fala com uma voz criada por design é cobrada de acordo com o modelo de síntese de fala de destino. Para saber os preços, consulte Preços dos modelos.
Não é necessária uma amostra de áudio para criar a voz. Para reproduzir uma voz de uma amostra de áudio existente, use Clonagem de voz.
Preparação
Obtenha uma chave de API no console e configure a variável de ambiente DASHSCOPE_API_KEY.
Instale o DashScope SDK e requests:
Começar a usar
Qwen-Audio-TTS e CosyVoice compartilham o mesmo fluxo de criação de voz, prévia e síntese básica. O exemplo a seguir usa qwen-audio-3.1-tts-flash.
- Crie uma voz: Defina a descrição
voice_prompt, o texto da préviapreview_texte o modelo de destinotarget_modelpara obter um ID de voz. - Salve o áudio da prévia: Decodifique
preview_audio.dataretornado e salve-o como um arquivo WAV para ouvir. - Sintetize fala: Use o
voice_idretornado comovoicee sintetize fala com o modelo vinculado.
preview.wav e o áudio sintetizado em output.wav. Guarde o ID de voz impresso para as próximas chamadas de síntese de fala.
Para exemplos de requisições HTTP, parâmetros opcionais e campos de resposta, consulte a Referência da API de design de voz. Para parâmetros de síntese, consulte o Qwen-Audio-TTS Python SDK.
Guia de descrições de voz
A descrição da voz (voice_prompt) especifica as características desejadas. Descrições claras e específicas ajudam a gerar vozes adequadas às suas necessidades.
Orientações de descrição
- Seja específico: Use características como "grave", "nítida" ou "fala rápida". Evite avaliações vagas, como "boa" ou "normal".
- Combine dimensões: Descreva gênero, idade, tom, velocidade e emoção. "Voz feminina" sozinha fornece poucos detalhes para uma voz distinta.
- Seja objetivo: Descreva características perceptíveis, como "tom agudo e energético", em vez de preferências subjetivas, como "minha voz favorita".
- Seja original: Descreva características da voz sem solicitar a imitação de uma pessoa específica, como uma celebridade ou um ator. O modelo não oferece suporte à imitação direcionada, e essas solicitações podem envolver questões de direitos autorais.
- Seja conciso: Reduza sinônimos repetidos e modificadores desnecessários.
| Dimensão | Exemplos |
|---|---|
| Gênero | Masculino, feminino, neutro |
| Idade | Criança (5-12), adolescente (13-18), jovem adulto (19-35), meia-idade (36-55), idoso (55+) |
| Tom | Agudo, médio, grave, levemente agudo, levemente grave |
| Velocidade | Rápida, média, lenta, levemente rápida, levemente lenta |
| Emoção | Alegre, calma, gentil, séria, animada, serena, suave |
| Características | Ressonante, nítida, rouca, aveludada, doce, profunda, poderosa |
| Caso de uso | Telejornal, publicidade, audiolivro, personagem de animação, assistente de voz, narração de documentário |
Exemplos de descrição
- 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
A mesma descrição pode gerar vozes diferentes. Ouça o áudio da prévia após a criação. Para comparar os resultados, gere várias vozes e escolha a mais adequada.
Gerenciamento de vozes
- Listar vozes: Veja as vozes personalizadas existentes.
- Consultar detalhes de uma voz: Veja o modelo vinculado, o status da voz e outras informações.
- Excluir uma voz: Exclua vozes que não são mais necessárias para liberar cota.
Modelos compatíveis
- China (Pequim)
- 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
- CosyVoice: cosyvoice-v3.5-plus, cosyvoice-v3.5-flash, cosyvoice-v3-plus, cosyvoice-v3-flash
O design de voz do CosyVoice utiliza o modelo FunAudioGen-VD.
Cotas e limites
-
Número de vozes: Cada conta do Alibaba Cloud Model Studio pode ter até 1.000 vozes personalizadas. A clonagem de voz e o design de voz compartilham essa cota por conta entre todos os modelos.
Ao atingir o limite, novas solicitações de criação por clonagem ou design de voz falham. Exclua as vozes que não são mais necessárias para liberar cota antes de criar novas vozes.
-
Descrição da voz:
voice_promptaceita apenas chinês e inglês, com comprimento máximo de 500 caracteres. -
Texto da prévia:
preview_textaceita apenas chinês e inglês e deve ter de 15 a 200 caracteres. -
Vinculação ao modelo: Na criação, a voz é vinculada a um modelo de síntese de fala por meio de
target_model. Use o mesmo modelo nas sínteses seguintes.