通过自然语言描述创建自定义音色,试听预览后用于语音合成。
功能介绍
声音设计适用于快速原型验证、创意内容生产、游戏角色配音等场景。
创建音色无需提供音频样本。如需根据已有音频样本还原其声音,请使用声音复刻。
准备工作
-
获取 API Key,并将其配置到环境变量
DASHSCOPE_API_KEY。 -
获取业务空间 ID,将示例中的
YOUR_WORKSPACE_ID替换为真实值。获取方式请参见选择地域、服务部署范围和接入域名。 -
安装 DashScope SDK 和
requests:
开始使用
Qwen-Audio-TTS 和 CosyVoice 使用相同的音色创建、预览和基础合成流程。以下以 qwen-audio-3.1-tts-flash 为例。
- 创建音色:设置声音描述
voice_prompt、预览文本preview_text和目标模型target_model,获取音色 ID。 - 保存预览音频:解码返回的
preview_audio.data,保存为 WAV 文件,用于试听。 - 合成语音:将创建音色时返回的
voice_id作为voice,使用绑定模型合成语音。
preview.wav 为预览音频,output.wav 为合成音频。保存打印的音色 ID,后续可使用该 ID 调用语音合成。
HTTP 请求示例、可选参数和返回字段请参见声音设计 API 参考;合成参数请参见 Qwen-Audio-TTS 客户端事件。
声音描述指南
声音描述(voice_prompt)用于指定期望的声音特质。清晰、具体的描述有助于生成符合需求的音色。
描述建议
- 具体:使用“低沉”“清脆”“语速偏快”等声音特征,避免“好听”“普通”等模糊评价。
- 多维:组合性别、年龄、音调、语速和情感等维度,仅写“女声”难以描述出有特色的声音。
- 客观:描述可感知的声音特征,例如“音调偏高、充满活力”,避免“我最喜欢的声音”等主观表达。
- 原创:描述声音特质,不要求模仿名人、演员等特定人物。模型不支持指定模仿,相关请求也可能涉及版权风险。
- 简洁:减少重复的同义词和无意义的修饰。
| 维度 | 描述示例 |
|---|---|
| 性别 | 男性、女性、中性 |
| 年龄 | 儿童 (5-12 岁)、青少年 (13-18 岁)、青年 (19-35 岁)、中年 (36-55 岁)、老年 (55 岁以上) |
| 音调 | 高音、中音、低音、偏高、偏低 |
| 语速 | 快速、中速、缓慢、偏快、偏慢 |
| 情感 | 开朗、沉稳、温柔、严肃、活泼、冷静、治愈 |
| 特点 | 有磁性、清脆、沙哑、圆润、甜美、浑厚、有力 |
| 用途 | 新闻播报、广告配音、有声书、动画角色、语音助手、纪录片解说 |
描述示例
- 标准播音风格:吐字清晰精准,字正腔圆
- 年轻活泼的女性声音,语速较快,带有明显的上扬语调,适合介绍时尚产品
- 沉稳的中年男性,语速缓慢,音色低沉有磁性,适合朗读新闻或纪录片解说
- 温柔知性的女性,30 岁左右,语调平和,适合有声书朗读
- 可爱的儿童声音,大约 8 岁女孩,说话略带稚气,适合动画角色配音
相同描述可能生成不同的音色。创建后先试听预览音频;需要比较效果时,可多次生成后择优使用。
音色管理
- 查询音色列表:查看已有的自定义音色。
- 查询音色详情:查看音色绑定的模型、状态等信息。
- 删除音色:删除不再使用的音色,释放配额。
支持模型
- 华北2(北京)
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
- CosyVoice:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash
CosyVoice 声音设计基于 FunAudioGen-VD 模型能力。
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。
-
声音描述:
voice_prompt仅支持中文和英文,最大长度为 500 个字符。 -
预览文本:
preview_text仅支持中文和英文,长度为 15~200 个字符。 -
模型绑定:音色在创建时通过
target_model绑定到语音合成模型,后续合成必须使用同一模型。