Skip to main content

声音复刻

根据音频样本创建自定义音色，用于语音合成或实时语音对话。

功能介绍

声音复刻适用于个性化语音助手、品牌专属播报和有声内容定制等场景，无需训练模型。
如需通过自然语言描述创建音色，无需提供音频样本，请使用声音设计。

准备工作

开始使用

Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice 的复刻音色在创建时绑定到 target_model，不能跨模型使用。如需让多个模型使用同一段音频的声音，应为每个模型分别创建音色。
  • Qwen-Audio-TTS / CosyVoice
  • Qwen-Audio-Realtime
Qwen-Audio-TTS 和 CosyVoice 使用相同的音色创建和基础合成流程。以下以 qwen-audio-3.1-tts-flash 为例。
  1. 创建音色：用 url 指定参考音频，通过 target_model 指定目标模型，prefix 为音色名称前缀。
  2. 合成语音：将返回的音色 ID 传入 voice，使用同一个目标模型合成语音并保存音频。
import os

import dashscope
from dashscope.audio.tts_v2 import AudioFormat, SpeechSynthesizer, VoiceEnrollmentService

dashscope.api_key = os.environ["DASHSCOPE_API_KEY"]
workspace_id = "YOUR_WORKSPACE_ID"
target_model = "qwen-audio-3.1-tts-flash"
dashscope.base_http_api_url = (
    f"https://{workspace_id}.cn-beijing.maas.aliyuncs.com/api/v1"
)
dashscope.base_websocket_api_url = (
    f"wss://{workspace_id}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference"
)

# 创建音色。
service = VoiceEnrollmentService()
voice_id = service.create_voice(
    target_model=target_model,
    prefix="myvoice",
    url="https://dashscope.oss-cn-beijing.aliyuncs.com/samples/audio/cosyvoice/cosyvoice-zeroshot-sample.wav",
)
print(f"voice_id: {voice_id}")

# 使用绑定模型和返回的音色 ID 合成语音。
synthesizer = SpeechSynthesizer(
    model=target_model,
    voice=voice_id,
    format=AudioFormat.WAV_24000HZ_MONO_16BIT,
)
audio = synthesizer.call("今天天气晴朗，适合外出散步。祝你度过愉快的一天。")
with open("output.wav", "wb") as f:
    f.write(audio)
运行后，合成音频保存为 output.wav。保存打印的音色 ID，后续可继续使用。
更多声音复刻参数与示例请参见 HTTP API、Python SDK和 Java SDK。 使用复刻音色进行语音合成或实时语音对话的调用方式，请参见：

音频要求

输入音频的质量会影响音色的相似度和自然度。按目标模型的规格准备样本，并参照下方录音建议减少噪声、混响和其他人声。
项目要求
支持格式WAV（16-bit）、MP3、M4A
音频时长推荐 10～20 秒，最长不超过 60 秒。
文件大小≤ 10 MB
采样率≥ 16 kHz
声道单声道或双声道。双声道音频仅处理首声道，首声道需包含有效人声。
内容至少包含 5 秒连续清晰的朗读内容，其余部分仅允许短暂停顿（≤ 2 秒）。避免背景音乐、环境噪声和其他人声。使用正常语速的说话音频，不使用歌曲或唱歌录音。
支持语言
  • Qwen-Audio-TTS / Qwen-Audio-Realtime：中文（普通话、广东话、重庆话、东北话、甘肃话、贵州话、浙江话、河北话、河南话、湖北话、湖南话、江西话、宁波话、宁夏话、青岛话、陕西话、山西话、山东话、上海话、四川话、云南话）、英语、日语、韩语、俄语、法语、德语、葡萄牙语、泰语、印尼语、越南语、西班牙语、意大利语、马来西亚语、菲律宾语、阿拉伯语
  • CosyVoice：参考音频支持的语言因驱动音色的目标模型而异。
  • cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash：中文（普通话、广东话、东北话、甘肃话、贵州话、河南话、湖北话、江西话、闽南话、宁夏话、山西话、陕西话、山东话、上海话、四川话、天津话、云南话）、英文、法语、德语、日语、韩语、俄语、葡萄牙语、泰语、印尼语、越南语
  • cosyvoice-v3-plus：中文（普通话、广东话、东北话、甘肃话、贵州话、河南话、湖北话、江西话、闽南话、宁夏话、山西话、陕西话、山东话、上海话、四川话、天津话、云南话）、英文、法语、德语、日语、韩语、俄语
  • cosyvoice-v2：中文（普通话）、英文
清晰、自然的录音有助于获得高质量的参考音频并保留声音特征。录音前可参考以下录音与操作建议。
录音设备 可使用手机、数字录音笔、专业录音机等。建议使用支持高采样率（≥ 24 kHz）录音的设备，以满足音频要求。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。
  • 利用不规则物体（如书架、软包家具）实现声波漫反射。
录音文案
  • 内容无特殊限制，建议与目标应用场景一致。
  • 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）。
  • 录音全程保持一致的语速，避免开头或结尾语速过快导致合成时出现卡顿。
  • 可加入适当情绪表达（如温暖、亲切、严肃），避免机械朗读。
  • 不包含敏感词汇（如政治、色情、暴力相关内容），否则会导致复刻失败。
操作建议 以普通卧室为例，完成降噪和混响控制后：
  1. 提前熟悉文案，设定角色语气，自然演绎。
  2. 与录音设备保持约 10 厘米距离，避免喷麦或信号过弱。

音色管理

Qwen-Audio-TTS、Qwen-Audio-Realtime 和 CosyVoice 使用相同的音色查询、更新与删除接口。具体接口与参数请参见声音复刻 HTTP API 参考。
  • 查询音色列表：查看账号下已有的自定义音色。
  • 查询音色详情：查看创建时间、绑定模型等信息。
  • 更新音色：替换参考音频，保留原有音色 ID。
  • 删除音色：删除不再使用的音色，释放配额。
创建的音色默认长期有效。保存音色 ID，需要时可通过查询接口确认音色是否可用。

支持模型

  • 华北2（北京）
  • 新加坡
使用该地域的 API Key 调用以下模型：
  • Qwen-Audio-TTS：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-3.0-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

配额与限制

  • 音色数量：每个阿里云百炼账号的自定义音色总数上限为 1000 个。声音复刻和声音设计共用该配额，不按模型分别计算。
    • 达到上限后，新的声音复刻或声音设计创建请求将失败。需先删除不再使用的音色，释放配额后再创建。

计费说明

  • Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice：创建音色免费。使用复刻音色合成语音或进行实时语音对话时，按目标模型计费。具体费用请参见模型计费。
开始使用
产品计费
Token Plan
模型体验
接入客户端/开发工具
模型推理
模型调优
模型评测
用量统计与性能监控
资产中心
安全合规
实践教程
服务支持
产品动态