声音复刻 - 千问云

声音复刻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。

概述

千问云平台提供以下模型系列的声音复刻能力：

CosyVoice：通过 DashScope SDK 或 HTTP API 创建音色，支持实时与非实时语音合成。
MiniMax：通过 HTTP API 创建音色，仅支持非实时语音合成。
Qwen-TTS：通过 HTTP API 创建音色，支持实时与非实时语音合成。

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

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。
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：

准备音频：准备一段符合音频要求的音频文件。
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。
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-TTS 声音复刻

示例使用本地音频文件 voice.mp3，运行时请替换为实际路径。

创建音色时的 target_model 必须与语音合成时使用的模型完全一致，否则合成将失败。

双向流式合成（实时）

适用于 Qwen3-TTS-VC-Realtime 模型。参数详情见实时流式语音合成。

Python
Java

# pyaudio 安装方式：
#   macOS:   brew install portaudio && pip install pyaudio
#   Ubuntu:  sudo apt-get install python3-pyaudio  (或 pip install pyaudio)
#   CentOS:  sudo yum install -y portaudio portaudio-devel && pip install pyaudio
#   Windows: python -m pip install pyaudio

import pyaudio
import os
import requests
import base64
import pathlib
import threading
import time
import dashscope
from dashscope.audio.qwen_tts_realtime import QwenTtsRealtime, QwenTtsRealtimeCallback, AudioFormat

TARGET_MODEL = "qwen3-tts-vc-realtime-2026-01-15"
VOICE_FILE = "voice.mp3"  # 替换为你的音频文件

TEXT_TO_SYNTHESIZE = [
  'Today we explore the wonders of speech synthesis.',
  'Each voice carries a unique character.',
  'With voice cloning, you can bring any text to life.',
  "Let's create something amazing together."
]

def create_voice(file_path: str) -> str:
  """创建克隆声音并返回声音标识符。"""
  api_key = os.getenv("DASHSCOPE_API_KEY")
  file_path_obj = pathlib.Path(file_path)
  base64_str = base64.b64encode(file_path_obj.read_bytes()).decode()
  data_uri = f"data:audio/mpeg;base64,{base64_str}"

  response = requests.post(
    "https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization",
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json={
      "model": "qwen-voice-enrollment",
      "input": {
        "action": "create",
        "target_model": TARGET_MODEL,
        "preferred_name": "myvoice",
        "audio": {"data": data_uri}
      }
    }
  )
  return response.json()["output"]["voice"]

class MyCallback(QwenTtsRealtimeCallback):
  def __init__(self):
    self.complete_event = threading.Event()
    self._player = pyaudio.PyAudio()
    self._stream = self._player.open(format=pyaudio.paInt16, channels=1, rate=24000, output=True)

  def on_event(self, response: dict) -> None:
    if response.get("type") == "response.audio.delta":
      audio_data = base64.b64decode(response["delta"])
      self._stream.write(audio_data)
    elif response.get("type") == "session.finished":
      self.complete_event.set()

if __name__ == "__main__":
  dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")
  callback = MyCallback()
  tts = QwenTtsRealtime(model=TARGET_MODEL, callback=callback,
                        url="wss://dashscope.aliyuncs.com/api-ws/v1/realtime")
  tts.connect()
  tts.update_session(voice=create_voice(VOICE_FILE),
                     response_format=AudioFormat.PCM_24000HZ_MONO_16BIT, mode="server_commit")

  for text in TEXT_TO_SYNTHESIZE:
    tts.append_text(text)
    time.sleep(0.1)

  tts.finish()
  callback.complete_event.wait()

import com.alibaba.dashscope.audio.qwen_tts_realtime.*;
import com.google.gson.Gson;
import com.google.gson.JsonObject;
import java.io.*;
import java.net.HttpURLConnection;
import java.net.URL;
import java.nio.file.*;
import java.util.Base64;
import java.util.concurrent.CountDownLatch;

public class Main {
  private static final String TARGET_MODEL = "qwen3-tts-vc-realtime-2026-01-15";
  private static final String AUDIO_FILE = "voice.mp3";  // 替换为你的音频文件

  public static String createVoice() throws Exception {
    String apiKey = System.getenv("DASHSCOPE_API_KEY");
    byte[] bytes = Files.readAllBytes(Paths.get(AUDIO_FILE));
    String encoded = Base64.getEncoder().encodeToString(bytes);
    String dataUri = "data:audio/mpeg;base64," + encoded;

    String jsonPayload = "{\"model\":\"qwen-voice-enrollment\",\"input\":{"
        + "\"action\":\"create\",\"target_model\":\"" + TARGET_MODEL + "\","
        + "\"preferred_name\":\"myvoice\",\"audio\":{\"data\":\"" + dataUri + "\"}}}";

    HttpURLConnection con = (HttpURLConnection) new URL(
        "https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization").openConnection();
    con.setRequestMethod("POST");
    con.setRequestProperty("Authorization", "Bearer " + apiKey);
    con.setRequestProperty("Content-Type", "application/json");
    con.setDoOutput(true);
    try (OutputStream os = con.getOutputStream()) {
      os.write(jsonPayload.getBytes("UTF-8"));
    }

    BufferedReader br = new BufferedReader(new InputStreamReader(con.getInputStream(), "UTF-8"));
    StringBuilder response = new StringBuilder();
    String line;
    while ((line = br.readLine()) != null) response.append(line);
    return new Gson().fromJson(response.toString(), JsonObject.class)
        .getAsJsonObject("output").get("voice").getAsString();
  }

  public static void main(String[] args) throws Exception {
    CountDownLatch latch = new CountDownLatch(1);
    QwenTtsRealtimeParam param = QwenTtsRealtimeParam.builder()
        .model(TARGET_MODEL)
        .url("wss://dashscope.aliyuncs.com/api-ws/v1/realtime")
        .apikey(System.getenv("DASHSCOPE_API_KEY"))
        .build();

    QwenTtsRealtime tts = new QwenTtsRealtime(param, new QwenTtsRealtimeCallback() {
      public void onEvent(JsonObject msg) {
        if (msg.get("type").getAsString().equals("session.finished")) latch.countDown();
      }
    });
    tts.connect();

    QwenTtsRealtimeConfig config = QwenTtsRealtimeConfig.builder()
        .voice(createVoice())
        .responseFormat(QwenTtsRealtimeAudioFormat.PCM_24000HZ_MONO_16BIT)
        .mode("server_commit").build();
    tts.updateSession(config);

    for (String text : new String[]{
        "Today we explore the wonders of speech synthesis.",
        "Each voice carries a unique character.",
        "With voice cloning, you can bring any text to life.",
        "Let's create something amazing together."}) {
      tts.appendText(text);
      Thread.sleep(100);
    }
    tts.finish();
    latch.await();
  }
}

非流式合成

适用于 Qwen3-TTS-VC 模型。详见 Qwen TTS。

Python
cURL
Java

import os
import requests
import base64
import pathlib
import dashscope

TARGET_MODEL = "qwen3-tts-vc-2026-01-22"
VOICE_FILE = "voice.mp3"

def create_voice(file_path: str) -> str:
  api_key = os.getenv("DASHSCOPE_API_KEY")
  base64_str = base64.b64encode(pathlib.Path(file_path).read_bytes()).decode()
  data_uri = f"data:audio/mpeg;base64,{base64_str}"

  response = requests.post(
    "https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization",
    headers={"Authorization": f"Bearer {api_key}", "Content-Type": "application/json"},
    json={
      "model": "qwen-voice-enrollment",
      "input": {"action": "create", "target_model": TARGET_MODEL,
                "preferred_name": "myvoice", "audio": {"data": data_uri}}
    }
  )
  return response.json()["output"]["voice"]

if __name__ == "__main__":
  dashscope.base_http_api_url = 'https://dashscope.aliyuncs.com/api/v1'
  response = dashscope.MultiModalConversation.call(
    model=TARGET_MODEL,
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    text="Today we explore the wonders of speech synthesis.",
    voice=create_voice(VOICE_FILE),
    stream=False
  )
  print(response)

步骤一：创建音色

# 将 voice.mp3 替换为实际音频文件路径

AUDIO_BASE64=$(base64 -i voice.mp3)

curl -X POST 'https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen-voice-enrollment",
    "input": {
        "action": "create",
        "target_model": "qwen3-tts-vc-2026-01-22",
        "preferred_name": "guanyu",
        "audio": {"data": "data:audio/mpeg;base64,'$AUDIO_BASE64'"}
    }
}'

步骤二：使用复刻音色合成语音将上一步返回的 voice 值填入以下请求中。

# 将 YOUR_VOICE_ID 替换为上一步返回的 voice 值

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": "qwen3-tts-vc-2026-01-22",
    "input": {
        "text": "今天天气怎么样？",
        "voice": "YOUR_VOICE_ID"
    }
}'

import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversation;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationParam;
import com.alibaba.dashscope.aigc.multimodalconversation.MultiModalConversationResult;
import com.alibaba.dashscope.utils.Constants;
import com.google.gson.Gson;
import com.google.gson.JsonObject;

import java.io.*;
import java.net.HttpURLConnection;
import java.net.URL;
import java.nio.file.*;
import java.nio.charset.StandardCharsets;
import java.util.Base64;

public class Main {
  private static final String TARGET_MODEL = "qwen3-tts-vc-2026-01-22";
  private static final String AUDIO_FILE = "voice.mp3";  // 替换为你的音频文件

  public static String createVoice() throws Exception {
    String apiKey = System.getenv("DASHSCOPE_API_KEY");
    byte[] bytes = Files.readAllBytes(Paths.get(AUDIO_FILE));
    String encoded = Base64.getEncoder().encodeToString(bytes);
    String dataUri = "data:audio/mpeg;base64," + encoded;

    String jsonPayload = "{\"model\":\"qwen-voice-enrollment\",\"input\":{"
        + "\"action\":\"create\",\"target_model\":\"" + TARGET_MODEL + "\","
        + "\"preferred_name\":\"myvoice\",\"audio\":{\"data\":\"" + dataUri + "\"}}}";

    HttpURLConnection con = (HttpURLConnection) new URL(
        "https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization").openConnection();
    con.setRequestMethod("POST");
    con.setRequestProperty("Authorization", "Bearer " + apiKey);
    con.setRequestProperty("Content-Type", "application/json");
    con.setDoOutput(true);
    try (OutputStream os = con.getOutputStream()) {
      os.write(jsonPayload.getBytes(StandardCharsets.UTF_8));
    }

    BufferedReader br = new BufferedReader(new InputStreamReader(con.getInputStream(), StandardCharsets.UTF_8));
    StringBuilder response = new StringBuilder();
    String line;
    while ((line = br.readLine()) != null) response.append(line);
    return new Gson().fromJson(response.toString(), JsonObject.class)
        .getAsJsonObject("output").get("voice").getAsString();
  }

  public static void main(String[] args) {
    try {
      Constants.baseHttpApiUrl = "https://dashscope.aliyuncs.com/api/v1";
      MultiModalConversation conv = new MultiModalConversation();
      MultiModalConversationParam param = MultiModalConversationParam.builder()
          .apiKey(System.getenv("DASHSCOPE_API_KEY"))
          .model(TARGET_MODEL)
          .text("Today we explore the wonders of speech synthesis.")
          .parameter("voice", createVoice())
          .build();
      MultiModalConversationResult result = conv.call(param);
      String audioUrl = result.getOutput().getAudio().getUrl();
      System.out.println("Audio URL: " + audioUrl);

      // 下载音频
      try (InputStream in = new URL(audioUrl).openStream();
           FileOutputStream out = new FileOutputStream("output.wav")) {
        byte[] buffer = new byte[1024];
        int bytesRead;
        while ((bytesRead = in.read(buffer)) != -1) {
          out.write(buffer, 0, bytesRead);
        }
        System.out.println("音频已保存至 output.wav");
      }
    } catch (Exception e) {
      System.out.println("Error: " + e.getMessage());
    }
    System.exit(0);
  }
}

CosyVoice 声音复刻

CosyVoice 声音复刻通过专用的声音复刻 API 进行操作，同样遵循"创建音色 - 使用音色合成"的流程。 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。

# 将 url 替换为实际音频文件的可访问地址

curl -X POST https://dashscope.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-plus",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav",
        "language_hints": ["zh"]
    }
}'

步骤二：使用复刻音色合成语音 将上一步返回的 voice 值填入以下请求中。

# 将 YOUR_VOICE_ID 替换为上一步返回的 voice 值

curl -X POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3-plus",
    "input": {
      "text": "今天天气怎么样？",
      "voice": "YOUR_VOICE_ID",
      "format": "wav",
      "sample_rate": 24000
    }
}'

MiniMax 音色复刻

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。

# 将 audio_url 替换为实际音频文件的可访问地址
# 将 voice_id 替换为自定义的音色 ID

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。

# 将 voice_id 替换为上一步指定的音色 ID

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。

CosyVoice
Qwen-TTS
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	不超过 10 MB
采样率	16 kHz 及以上
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（不超过 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	因驱动音色的语音合成模型（通过 `target_model` 参数指定）而异，详见下方说明

各模型支持的语言：

cosyvoice-v1、cosyvoice-v2：中文（普通话）、英文
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-v3.5-plus、cosyvoice-v3.5-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

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	不超过 10 MB
采样率	24 kHz 及以上
声道	单声道
内容	音频必须包含至少 3 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（不超过 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、英文、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语、俄语

项目	要求
支持格式	MP3、M4A、WAV
音频时长	不低于 10 秒，最长不超过 5 分钟
文件大小	不超过 20 MB
内容	音频应包含连续清晰的朗读内容（无背景音），停顿时长不超过 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	无特殊限制

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。以下从录音设备、录音环境、录音文案和操作流程四个方面提供建议。

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 及以上）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）。
录音的开头和结尾部分应保持与中间段落一致的语速，避免因开头或结尾语速过快导致复刻后语音合成时出现卡顿现象。
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：

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。

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-TTS 和 CosyVoice 支持）。 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：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。

适用范围

支持的模型：

CosyVoice：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash、cosyvoice-v2、cosyvoice-v1
MiniMax：MiniMax/speech-2.8-hd、MiniMax/speech-02-hd、MiniMax/speech-2.8-turbo、MiniMax/speech-02-turbo
Qwen-TTS：
- Qwen3-TTS-VC-Realtime：qwen3-tts-vc-realtime-2026-01-15（最新快照版）、qwen3-tts-vc-realtime-2025-11-27（快照版）
- Qwen3-TTS-VC：qwen3-tts-vc-2026-01-22（最新快照版）

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-TTS 和 CosyVoice 创建的音色默认长期有效，但长时间未使用的音色可能会被系统清理。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？

会的。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。

API 参考

声音复刻 API

​概述

​前提条件

​快速开始

​Qwen-TTS 声音复刻

​双向流式合成（实时）

​非流式合成

​CosyVoice 声音复刻

​MiniMax 音色复刻

​音频要求

​录音建议

​录音设备

​录音环境

​录音文案

​操作建议

​管理自定义音色

​适用范围

​常见问题

​Q：创建音色后可以用于不同的语音合成模型吗？

​Q：复刻音色的有效期是多久？

​Q：音频质量不好会影响复刻效果吗？

​API 参考

概述

前提条件

快速开始

Qwen-TTS 声音复刻

双向流式合成（实时）

非流式合成

CosyVoice 声音复刻

MiniMax 音色复刻

音频要求

录音建议

录音设备

录音环境

录音文案

操作建议

管理自定义音色

适用范围

常见问题

Q：创建音色后可以用于不同的语音合成模型吗？

Q：复刻音色的有效期是多久？

Q：音频质量不好会影响复刻效果吗？

API 参考