声音设计

​

概述

• CosyVoice：支持实时与非实时语音合成（v3.5 系列）。
• Qwen-Audio-TTS：支持实时与非实时语音合成（qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash）。

​

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

1. 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。
2. 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。
3. 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

​

创建音色

curl -X POST https://maas.qianwenaiapi.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",
    "voice_prompt": "沉稳的中年男性播音员，音色低沉浑厚，富有磁性，语速平稳，吐字清晰，适合用于新闻播报或纪录片解说。",
    "preview_text": "各位听众朋友，大家好，欢迎收听晚间新闻。",
    "prefix": "announcer",
    "language_hints": ["zh"]
  },
  "parameters": {
    "sample_rate": 24000,
    "response_format": "wav"
  }
}'

# 将 YOUR_VOICE_ID 替换为上一步返回的 voice 值

curl -X POST https://maas.qianwenaiapi.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": "各位听众朋友，大家好，欢迎收听晚间新闻。",
    "voice": "YOUR_VOICE_ID",
    "format": "wav",
    "sample_rate": 24000
  }
}'

​

Qwen-Audio-TTS 声音设计

1. 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。
2. 保存预览音频：解码返回的 preview_audio.data，保存为 WAV 文件，用于试听。
3. 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。

import base64
import os

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

api_key = os.environ["DASHSCOPE_API_KEY"]
target_model = "qwen-audio-3.1-tts-flash"

# 创建音色，并将返回的预览音频保存到本地。
response = requests.post(
    "https://maas.qianwenaiapi.com/api/v1/services/audio/tts/customization",
    headers={"Authorization": f"Bearer {api_key}"},
    json={
        "model": "voice-enrollment",
        "input": {
            "action": "create_voice",
            "target_model": target_model,
            "voice_prompt": "沉稳的中年男性播音员，音色低沉浑厚，富有磁性，语速平稳，吐字清晰，适合用于新闻播报或纪录片解说。",
            "preview_text": "各位听众朋友，大家好，欢迎收听晚间新闻。",
            "prefix": "announcer",
            "language_hints": ["zh"],
        },
        "parameters": {"sample_rate": 24000, "response_format": "wav"},
    },
    timeout=120,
)
response.raise_for_status()
output = response.json()["output"]
voice_id = output["voice_id"]
print(f"voice_id: {voice_id}")
with open("preview.wav", "wb") as f:
    f.write(base64.b64decode(output["preview_audio"]["data"]))

# 使用创建音色时指定的模型和返回的音色 ID 合成语音。
dashscope.api_key = api_key
dashscope.base_websocket_api_url = "wss://maas.qianwenaiapi.com/api-ws/v1/inference"
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)

​

配额与计费

​

音色配额与自动清理

• 音色总数限制：每个千问AI平台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。
• 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

• 创建音色免费。使用设计音色合成语音时，按目标语音合成模型计费。

​

适用范围

• CosyVoice：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash
• Qwen-Audio-TTS：qwen-audio-3.1-tts-plus、qwen-audio-3.1-tts-flash、qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash

​

编写声音描述

​

要求与限制

• 长度限制：voice_prompt 的最大长度为 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。
• 支持语言：描述文本仅支持中文和英文。

​

核心原则

1. 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。
2. 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。
3. 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"。
4. 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。
5. 简洁而非冗余：确保每个词都有明确作用，避免重复的同义词或无意义的修饰。

​

描述维度参考

​

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

​

常见问题

​

Q：相同的声音描述每次生成的音色一样吗？

​

Q：声音描述可以使用哪些语言？

​

Q：声音设计和声音复刻有什么区别？

​

API 参考

• Voice design API 参考 -- API 参数和响应格式
• 流式语音合成 -- 使用自定义音色进行实时合成
• 获取 API Key -- 设置身份认证