Skip to main content

Voice Design

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.
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:
pip install -U dashscope 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.
  1. Crie uma voz: Defina a descrição voice_prompt, o texto da prévia preview_text e o modelo de destino target_model para obter um ID de voz.
  2. Salve o áudio da prévia: Decodifique preview_audio.data retornado e salve-o como um arquivo WAV para ouvir.
  3. Sintetize fala: Use o voice_id retornado como voice e sintetize fala com o modelo vinculado.
import base64
import os

import dashscope

# A configuração abaixo refere-se à região Pequim. Substitua {WorkspaceId} pelo ID real do seu workspace. O valor de region varia conforme a região.
client = dashscope.Client(
    # Se a variável de ambiente não estiver configurada, substitua a linha abaixo pela sua API Key do Model Studio: api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

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

# Cria a voz e salva o áudio da prévia retornado localmente.
designed = client.audio.voice_design.create(
    target_model=target_model,
    voice_prompt="A calm middle-aged male announcer with a deep, resonant voice, steady speaking pace, and clear articulation, suited for news broadcasts or documentaries.",
    preview_text="Good evening, everyone. Welcome to the evening news.",
    preferred_name="announcer",
    language="en",
    parameters={"sample_rate": 24000, "response_format": "wav"},
)
voice_id = designed.voice
print(f"voice_id: {voice_id}")
with open("preview.wav", "wb") as f:
    f.write(base64.b64decode(designed.preview_audio["data"]))

# Sintetiza a fala usando o modelo especificado na criação da voz e o ID de voz retornado.
audio = client.audio.tts.synthesize(
    "The weather is clear today, perfect for a walk outside. 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 da prévia em 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.
Combine as dimensões a seguir em uma descrição de voz:
DimensãoExemplos
GêneroMasculino, feminino, neutro
IdadeCriança (5-12), adolescente (13-18), jovem adulto (19-35), meia-idade (36-55), idoso (55+)
TomAgudo, médio, grave, levemente agudo, levemente grave
VelocidadeRápida, média, lenta, levemente rápida, levemente lenta
EmoçãoAlegre, calma, gentil, séria, animada, serena, suave
CaracterísticasRessonante, nítida, rouca, aveludada, doce, profunda, poderosa
Caso de usoTelejornal, 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.
Para obter informações sobre interfaces e parâmetros, consulte a Referência da API de design de voz.

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_prompt aceita apenas chinês e inglês, com comprimento máximo de 500 caracteres.
  • Texto da prévia: preview_text aceita 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.
A voz gerada pode sintetizar fala em vários idiomas. Os idiomas compatíveis dependem do modelo de síntese de fala de destino.

Faturamento

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.