声音设计(Voice Design)无需音频样本,仅通过自然语言描述即可创建定制化音色。
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。阿里云百炼提供以下模型系列的声音设计能力:
声音设计的基本流程为:描述 → 创建 → 使用。
以下示例演示如何通过文本描述创建 CosyVoice 音色并用于语音合成。
步骤一:通过声音描述创建音色
调用API,通过
步骤二:使用设计音色合成语音
将上一步返回的
以下示例演示如何创建音色并用于语音合成。
声音描述(
建议组合以下维度描述声音,维度越丰富,生成效果越精准。
声音设计支持查询列表、查看详情和删除操作。API 接口和参数详情请参见API 参考。
声音设计API参考
不一定。声音设计具有随机性,相同描述可能生成略有差异的音色。建议多次生成后试听,择优使用。
目前声音描述(
声音设计通过文本描述从零创建音色,无需音频样本,适合设计全新的声音形象。声音复刻基于真实音频样本复制音色,适合还原特定人物的声音。详情请参见声音复刻。
概述
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。阿里云百炼提供以下模型系列的声音设计能力:
- CosyVoice:支持实时与非实时语音合成,可用于北京地域(v3.5 系列和 v3 系列)。
- Qwen-Audio-TTS:支持实时与非实时语音合成,可用于北京地域(qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash)。
- Qwen-TTS:支持实时与非实时语音合成,声音描述长度上限更高(2048 字符),可用于北京和新加坡地域。
前提条件
- 已配置 API Key并将其设置到环境变量。
- 如果通过 DashScope SDK 调用,需要安装最新版SDK。
快速开始
声音设计的基本流程为:描述 → 创建 → 使用。
- 编写声音描述:用自然语言描述期望的声音特质。详细的编写指南请参见编写声音描述。
- 创建音色:调用声音设计接口,系统根据描述生成音色并返回预览音频。建议试听确认效果后再使用。
- 使用音色合成语音:调用语音合成接口,传入音色 ID 进行语音合成。
CosyVoice 声音设计
以下示例演示如何通过文本描述创建 CosyVoice 音色并用于语音合成。
步骤一:通过声音描述创建音色
调用API,通过voice_prompt参数传入声音描述,preview_text参数指定预览音频朗读的文本。
voice_id值填入以下请求中。
Qwen-TTS 声音设计
以下示例演示如何创建音色并用于语音合成。
建议先试听返回的预览音频,确认效果后再用于合成,以降低调用成本。
- Python
- cURL
编写声音描述
声音描述(voice_prompt)直接决定生成音色的效果。描述越清晰具体,生成结果越符合预期。
要求与限制
- 长度限制:
voice_prompt的最大长度因模型而异:CosyVoice 不超过 500 个字符,Qwen-TTS 不超过 2048 个字符。 - 支持语言:描述文本仅支持中文和英文。
核心原则
- 具体而非模糊:使用描绘声音特质的词语,如"低沉""清脆""语速偏快",避免"好听""普通"等主观或模糊的表述。
- 多维而非单一:好的描述通常涵盖多个维度(如性别、年龄、情感等)。仅写"女声"过于宽泛,难以生成有特色的音色。
- 客观而非主观:聚焦声音的物理和感知特征。例如,用"音调偏高,带有活力"代替"我最喜欢的声音"。
- 原创而非模仿:描述声音的特质,而非要求模仿特定人物(如名人、演员)。模型不支持模仿,且可能涉及版权风险。
- 简洁而非冗余:避免重复的同义词或无意义的修饰,确保每个词都有明确作用。
描述维度参考
建议组合以下维度描述声音,维度越丰富,生成效果越精准。
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 |
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
管理自定义音色
声音设计支持查询列表、查看详情和删除操作。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,CosyVoice 与 Qwen-TTS 分别最多可创建 1000 个自定义音色(两类配额独立计算)。
- 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。
计费规则
- CosyVoice:创建音色免费。
-
Qwen-TTS:按 0.2 元/个 计费,创建失败不计费。
免费额度(仅北京地域提供):
- 阿里云百炼开通后 90 天内,可享 10 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 0.2 元/个 的价格计费。
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:
- CosyVoice:cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash
- Qwen-Audio-TTS:qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash
-
Qwen-TTS:
- Qwen3-TTS-VD-Realtime:qwen3-tts-vd-realtime-2026-01-15(最新快照版)、qwen3-tts-vd-realtime-2025-12-16(快照版)
- Qwen3-TTS-VD:qwen3-tts-vd-2026-01-26(最新快照版)
- CosyVoice 声音设计基于 FunAudioGen-VD 模型能力。
- 相同描述文本(Prompt)设计的音色可能存在差异,建议多次生成后择优使用。
API 参考
声音设计API参考
常见问题
Q:相同的声音描述每次生成的音色一样吗?
不一定。声音设计具有随机性,相同描述可能生成略有差异的音色。建议多次生成后试听,择优使用。
Q:声音描述可以使用哪些语言?
目前声音描述(voice_prompt)仅支持中文和英文,但生成的音色可用于合成多种语言的语音。