Skip to main content

声音复刻

声音复刻（Voice Cloning）只需提供一段 10~20 秒的音频样本，即可生成高度相似的定制音色，无需模型训练。

概述

适用于个性化语音助手、品牌专属播报、有声内容定制化等场景。 阿里云百炼平台提供以下模型系列的声音复刻能力：
  • Qwen-Audio-TTS / CosyVoice：通过 DashScope SDK 或 HTTP API 创建音色，支持实时与非实时语音合成，可用于华北2（北京）和新加坡地域。
  • MiniMax：通过 HTTP API 创建音色，仅支持非实时语音合成，仅限华北2（北京）地域使用。
  • Qwen-Audio-Realtime：Qwen-Audio-Realtime 是实时语音对话模型（非语音合成模型），声音复刻用于自定义对话模型回复时的 TTS 音色。通过 DashScope SDK 或 HTTP API 创建音色，仅支持华北2（北京）地域。
如需了解各模型系列的详细对比和选型建议，请参见语音合成。

前提条件

  1. 已配置 API Key并将其设置到环境变量。
  2. 如果通过 DashScope SDK 调用，需要安装最新版SDK。
  3. 准备音频文件：音频需符合音频要求。

快速开始

声音复刻的使用分为以下三步：
  1. 准备音频：准备一段符合音频要求的音频文件。
  2. 创建音色：调用声音复刻接口上传音频创建音色，通过target_model指定绑定的语音合成模型。
  3. 使用音色合成语音：调用语音合成接口，传入创建音色时返回的音色 ID。

Qwen-Audio-TTS 声音复刻

Qwen-Audio-TTS 声音复刻支持华北2（北京）地域和新加坡地域。
步骤一：创建音色 调用声音复刻 API 上传音频并创建音色。url参数传入音频文件的可访问 URL 地址，prefix参数作为音色名称前缀。 以下为华北2（北京）地域的配置，若使用新加坡地域的模型，需将域名替换为：https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/customization（将{WorkspaceId}替换为真实的Workspace ID）。 
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": "qwen-audio-3.0-tts-flash",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav"
    }
}'
步骤二：使用复刻音色合成语音 将上一步返回的voice_id值填入以下请求中。 
# coding=utf-8

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

# 新加坡和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# 若没有配置环境变量，请用阿里云百炼API Key将下行替换为：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下为华北2（北京）地域的配置，调用时请将"{WorkspaceId}"替换为真实的业务空间ID，各地域的配置不同。
dashscope.base_websocket_api_url='wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference'

# 声音复刻、语音合成要使用相同的模型
model = "qwen-audio-3.0-tts-flash"
# 将voice参数替换为声音复刻生成的专属音色
voice = "voice_id"

# 实例化SpeechSynthesizer，并在构造方法中传入模型（model）、音色（voice）等请求参数
synthesizer = SpeechSynthesizer(model=model, voice=voice)
# 发送待合成文本，获取二进制音频
audio = synthesizer.call("今天天气怎么样？")
# 首次发送文本时需建立 WebSocket 连接，因此首包延迟会包含连接建立的耗时
print('[Metric] requestId为：{}，首包延迟为：{}毫秒'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

# 将音频保存至本地
with open('output.mp3', 'wb') as f:
    f.write(audio)

Qwen-Audio-Realtime 声音复刻

Qwen-Audio-Realtime 声音复刻仅支持华北2（北京）地域，音频要求与 Qwen-Audio-TTS 相同。
步骤一：创建音色 通过 DashScope SDK 或 HTTP API 调用声音复刻接口，上传音频并创建音色。target_model 参数填入实时语音对话模型名称，prefix 参数作为音色名称前缀。
  • Python
  • cURL
import os
import requests

# 若没有配置环境变量，请用阿里云百炼 API Key 将下行替换为：api_key = "sk-xxx"
api_key = os.environ.get('DASHSCOPE_API_KEY')

# Qwen-Audio-Realtime 仅支持华北2（北京）地域，请将 {WorkspaceId} 替换为真实的业务空间 ID
url = 'https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/customization'

response = requests.post(
    url,
    headers={
        'Authorization': f'Bearer {api_key}',
        'Content-Type': 'application/json'
    },
    json={
        'model': 'voice-enrollment',
        'input': {
            'action': 'create_voice',
            'target_model': 'qwen-audio-3.1-realtime-plus',
            'prefix': 'myvoice',
            'url': 'https://your-audio-url.wav'
        }
    }
)
result = response.json()
print('voice_id:', result['output']['voice_id'])
步骤二：在实时语音对话中使用复刻音色 将上一步返回的 voice_id 填入实时语音对话 session.update 事件的 voice 参数中，详见音色配置。 
{
    "type": "session.update",
    "session": {
        "voice": "qwen-audio-3.1-realtime-plus-myvoice-xxxxxx"
    }
}

CosyVoice 声音复刻

CosyVoice 声音复刻支持华北2（北京）地域（v3.5/v3/v2/v1 系列）和新加坡地域（cosyvoice-v3-plus）。新加坡地域的 cosyvoice-v3-flash 暂不支持使用复刻音色合成语音。如需在新加坡地域使用复刻音色，请改用 qwen-audio-3.0-tts-flash。
步骤一：创建音色 调用声音复刻 API 上传音频并创建音色。url参数传入音频文件的可访问 URL 地址，prefix参数作为音色名称前缀。 以下为华北2（北京）地域的配置，若使用新加坡地域的模型，需将域名替换为：https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/customization。调用时请将{WorkspaceId}替换为真实的Workspace ID。 
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",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav"
    }
}'
步骤二：使用复刻音色合成语音 将上一步返回的voice_id值填入以下请求中。 
# coding=utf-8

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

# 新加坡和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# 若没有配置环境变量，请用阿里云百炼API Key将下行替换为：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# 以下为华北2（北京）地域的配置，调用时请将"{WorkspaceId}"替换为真实的业务空间ID，各地域的配置不同。
dashscope.base_websocket_api_url='wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference'

# 声音复刻、语音合成要使用相同的模型
model = "cosyvoice-v3.5-plus"
# 将voice参数替换为声音复刻生成的专属音色
voice = "voice_id"

# 实例化SpeechSynthesizer，并在构造方法中传入模型（model）、音色（voice）等请求参数
synthesizer = SpeechSynthesizer(model=model, voice=voice)
# 发送待合成文本，获取二进制音频
audio = synthesizer.call("今天天气怎么样？")
# 首次发送文本时需建立 WebSocket 连接，因此首包延迟会包含连接建立的耗时
print('[Metric] requestId为：{}，首包延迟为：{}毫秒'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

# 将音频保存至本地
with open('output.mp3', 'wb') as f:
    f.write(audio)

MiniMax 声音复刻

MiniMax 声音复刻仅在华北2（北京）地域可用。提交复刻请求后，系统会生成一段试听音频（按同步语音合成单价计费）。首次使用复刻音色进行语音合成时，需支付 9.9 元音色解锁费用。 步骤一：创建音色 调用音色复刻 API 上传音频并创建音色。voice_id参数用于指定新音色的 ID，audio_url参数传入音频文件的可访问 URL 地址。 
curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json; charset=utf-8' \
-d '{
    "input": {
      "action": "voice_clone",
      "voice_id": "my-custom-voice",
      "audio_url": "https://your-audio-url.wav",
      "text": "你说是什么就是什么"
    },
    "model": "MiniMax/speech-2.8-turbo"
  }'
步骤二：使用复刻音色合成语音 将上一步指定的voice_id值填入以下请求中。 
curl -X POST "https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation" \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
  "model": "MiniMax/speech-2.8-turbo",
  "input": {
    "text": "今天天气怎么样？",
    "voice_setting": {
      "voice_id": "my-custom-voice",
      "speed": 1,
      "vol": 1,
      "pitch": 0
    },
    "audio_setting": {
      "sample_rate": 32000,
      "bitrate": 128000,
      "format": "mp3",
      "channel": 1
    }
  }
}'

音频要求

输入音频的质量直接决定复刻效果。不同模型系列对音频的具体要求有所差异，请按照目标模型的要求准备音频样本。
  • Qwen-Audio-TTS / Qwen-Audio-Realtime
  • CosyVoice
  • MiniMax

项目

要求

支持格式

WAV (16bit)、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，请确保首声道包含有效人声。

内容

音频必须包含至少 5 秒连续清晰的朗读内容（无背景音），其余部分仅允许短暂停顿（≤ 2 秒）。整段音频应避免出现背景音乐、环境噪音或其他人声。请使用正常语速的说话音频，不要上传歌曲或唱歌录音。

支持语言

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

为获得最佳复刻效果，建议参照录音建议准备样本。

录音建议

高质量的输入音频是获得优质复刻效果的基础。

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。

管理自定义音色

音色创建完成后，您可以通过 API 对已有音色进行查询和管理（Qwen-Audio-TTS、Qwen-Audio-Realtime和 CosyVoice 支持）。Qwen-Audio-Realtime 的音色查询与删除接口与 Qwen-Audio-TTS 完全相同。
MiniMax 仅支持创建音色，不支持查询和删除等音色管理操作。
  • 查询音色列表：获取当前账号下所有自定义音色的列表。
  • 查询音色详情（仅 Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice）：查看指定音色的详细信息，如创建时间、绑定的语音合成模型等。
  • 删除音色：删除不再需要的自定义音色，释放配额。
各模型的 API 接口和参数详情请参见API 参考。

配额与计费

音色配额与自动清理

  • 音色总数限制：每个阿里云百炼账号下，Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice 最多可创建 1000 个自定义音色。达到上限后，新的创建请求将直接失败并返回错误，系统不会自动删除最早创建的复刻音色。如需创建新音色，请先删除不需要的音色以释放配额，或等待未被使用的音色自动清理（详见下方自动清理规则）。
  • 上限后创建行为：达到 1000 个音色上限后，继续调用创建音色接口将直接返回失败错误，系统不会自动淘汰最早创建的复刻音色来腾出空间。需手动删除不需要的音色释放配额后才能继续创建。
  • 自动清理规则：若单个音色在过去 1 年内未被用于任何语音合成请求，系统将自动删除该音色。
MiniMax 创建的音色不受上述配额与清理规则约束。

计费规则

  • Qwen-Audio-TTS / Qwen-Audio-Realtime / CosyVoice：创建音色免费。
  • MiniMax：声音复刻本身不计费。首次使用复刻音色进行语音合成时，扣除 9.9 元音色解锁费用，且无免费额度。

支持的模型与地域

  • 华北2（北京）
  • 新加坡
调用以下模型时，请选择北京地域的API Key：
  • Qwen-Audio-TTS：qwen-audio-3.0-tts-plus、qwen-audio-3.1-tts-flash、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
  • MiniMax：MiniMax/speech-2.8-hd、MiniMax/speech-02-hd、MiniMax/speech-2.8-turbo、MiniMax/speech-02-turbo

API 参考

声音复刻API参考

常见问题

Q：创建音色后可以用于不同的语音合成模型吗？

不可以。音色在创建时通过target_model绑定到特定的语音合成模型，不能跨模型使用。如果您需要在多个模型上使用同一段音频的声音，请为每个模型分别创建音色。

Q：复刻音色的有效期是多久？

Qwen-Audio-TTS、Qwen-Audio-Realtime和 CosyVoice 创建的音色默认长期有效。若单个音色在过去 1 年内未被用于任何语音合成请求，系统将自动删除该音色，详情请参见音色配额与自动清理。建议妥善保存音色 ID，需要时可通过查询接口确认音色是否仍然可用。

Q：音频质量不好会影响复刻效果吗？

输入音频的质量直接影响复刻效果。背景噪音、混响、多人声等问题都会降低复刻音色的相似度和自然度。建议参照音频要求和录音建议准备样本。
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
模型压缩
用量统计与性能监控
资产中心
模型数据
安全合规
实践教程
服务支持
产品动态