上传录音创建音色,再用于 Qwen-Omni 或 Qwen-Omni-Realtime 对话。本文介绍支持的语言、音频要求、复刻步骤、费用和音色管理规则。
音频要求
录音质量影响复刻效果。
系统音色与声音复刻支持的方言范围不同。复刻支持的语言和方言见下表,系统音色见音色列表。
项目 | 要求 |
|---|---|
支持格式 | WAV (16bit)、MP3、M4A |
音频时长 | 推荐10~20秒,最长不得超过60秒 |
文件大小 | < 10 MB |
采样率 | ≥ 24 kHz |
声道 | 单声道 |
内容 | 音频必须包含至少3秒连续清晰朗读(无背景音),其余部分仅允许短暂停顿(≤2秒);整段音频应避免背景音乐、噪音或其他人声,确保核心朗读内容质量;请使用正常说话音频作为输入,不要上传歌曲或唱歌音频,以确保复刻效果准确和可用 |
语言 | 中文(zh)、英文(en)、德语(de)、意大利语(it)、葡萄牙语(pt)、西班牙语(es)、日语(ja)、韩语(ko)、法语(fr)、俄语(ru)、泰语(th)、印尼语(id)、阿拉伯语(ar)、捷克语(cs)、丹麦语(da)、荷兰语(nl)、芬兰语(fi)、希伯来语(he)、印地语(hi)、冰岛语(is)、马来语(ms)、挪威语(no)、波斯语(fa)、波兰语(pl)、瑞典语(sv)、他加禄语(tl)、土耳其语(tr)、乌尔都语(ur)、越南语(vi) 中文方言:东北话(Dongbei)、陕西话(Shannxi)、四川话(Sichuan)、河南话(Henan)、长沙话(Changsha)、天津话(Tianjin)、杭州话(Hangzhou)、辽宁话(Liaoning)、沈阳话(Shenyang)、鞍山话(Anshan) |
快速开始:复刻与使用音色
1. 工作流程
先创建音色,再调用模型使用音色:
-
创建音色
调用创建音色接口,上传一段音频。系统会分析该音频,创建一个专属的复刻音色。此步骤必须指定
target_model,声明创建的音色将由哪个全模态模型驱动。 若已有创建好的音色(调用查询音色列表接口查看),可跳过这一步直接进行下一步。 -
使用音色进行对话
调用 Omni 接口(实时或非实时),传入创建的音色。调用的全模态模型必须与
target_model一致。
2. 模型配置与准备工作
先选择模型,再完成准备工作。
模型配置
声音复刻需指定两个模型:
- 声音复刻模型:qwen-voice-enrollment
-
驱动音色的全模态模型:
- qwen3.8-omni-flash-realtime
- qwen3.5-omni-plus-realtime
- qwen3.5-omni-flash-realtime
- qwen3.5-omni-plus
- qwen3.5-omni-flash
准备工作
- 获取API Key:获取与配置 API Key。建议将 API Key 配置到环境变量,避免写入代码。
- 安装SDK:安装最新版DashScope SDK。
- 准备待复刻音频:音频需符合音频要求。
3. 端到端示例
以下示例创建音色,再用该音色进行对话。
- 关键原则:声音复刻时,
target_model(驱动音色的全模态模型)必须与后续调用 Omni 接口时指定的模型一致,否则会合成失败。 - 运行前,将示例文件
voice.mp3替换为自己的录音。
- 实时
- 非实时
音色配额与自动清理规则
-
总数限制:1000个音色/账号
当前接口不提供音色数量查询功能,可通过调用查询音色列表接口自行统计音色数目
- 自动清理:音色一年内未用于任何模型调用请求,系统会自动删除
计费说明
声音复刻和模型调用分开计费:
-
声音复刻:创建音色按$0.01/个计费,创建失败不计费
免费额度说明(仅中国站北京地域和国际站新加坡地域有免费额度):
- 阿里云百炼开通后90天内,可享1000次免费音色创建机会。
- 创建失败不占用免费次数。
- 删除音色不会恢复免费次数。
- 免费额度用完或超出 90 天有效期后,创建音色将按$0.01/个的价格计费。
- 使用复刻音色对话:按模型调用的 token 用量计费,详见模型调用计费
版权与合法性
您需对提供声音的所有权及合法使用权负责,请阅读服务协议。
录音操作指南
录音设备
建议使用降噪麦克风,或在安静环境中用手机近距离录音。
录音环境
场地
- 建议在 10 平方米以内的小型封闭空间录音。
- 优先选择配有吸音材料(如吸音棉、地毯、窗帘)的房间。
- 避免空旷大厅、会议室、教室等高混响场所。
噪音控制
- 室外噪音:关闭门窗,避免交通、施工等干扰。
- 室内噪音:关闭空调、风扇、日光灯镇流器等设备;可通过手机录制环境音并放大播放,识别潜在噪音源。
混响控制
- 混响会导致声音模糊、清晰度下降。
- 减少光滑表面反射:拉上窗帘、打开衣柜门、铺放衣物或床单覆盖桌面/柜面。
- 利用书架、软包家具等不规则物体分散声波反射。
录音文案
- 文案可自由选择,建议贴合应用场景。例如,客服场景可使用客服对话。文案不得包含敏感或非法词汇(如政治、色情、暴力相关内容),否则复刻会失败。
- 避免短句(如“你好”、“是的”),应使用完整句子。
- 保持语义连贯,朗读时避免频繁停顿(建议至少连续 3 秒无中断)。
- 可带入亲切、严肃等目标情绪。保持语调自然,避免过度夸张的戏剧化朗读。
操作建议
以普通卧室为例:
- 关闭门窗,隔绝外部噪音。
- 关闭空调、电扇等电器。
- 拉上窗帘,减少玻璃反射。
- 在桌面铺放衣物或毛毯,降低桌面反射。
- 提前熟悉文案,设定角色语气,自然演绎。
- 与录音设备保持约 10 厘米距离,避免喷麦或信号过弱。