Alibaba Cloud Model Studio:Voice Design

Qwen-TTS Voice Design

Contoh berikut mencakup seluruh alur kerja Voice Design: buat voice, dengarkan audio pratinjau, dan gunakan voice tersebut untuk sintesis suara.

import os
import requests
import dashscope

# ======= Constants =======
DEFAULT_TARGET_MODEL = "qwen3-tts-vd-2026-01-26"  # Gunakan model yang sama untuk voice design dan speech synthesis
DEFAULT_PREFERRED_NAME = "custom_voice"

# Deskripsi suara: jelaskan karakteristik suara yang diinginkan dalam bahasa alami
VOICE_PROMPT = "A young, lively female voice with a fast speaking pace and a noticeable rising intonation, suitable for introducing fashion products."

def create_voice_by_design(voice_prompt: str,
                           target_model: str = DEFAULT_TARGET_MODEL,
                           preferred_name: str = DEFAULT_PREFERRED_NAME) -> str:
    """
    Buat timbre suara melalui deskripsi suara dan kembalikan parameter voice
    """
    # Kunci API untuk wilayah Singapura dan Beijing berbeda. Dapatkan Kunci API: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
    # Jika tidak ada variabel lingkungan yang dikonfigurasi, ganti baris berikut dengan Kunci API Model Studio Anda: api_key = "sk-xxx"
    api_key = os.getenv("DASHSCOPE_API_KEY")

    # URL berikut untuk wilayah Singapura. Jika Anda menggunakan model di wilayah Beijing, ganti URL dengan: https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization
    url = "https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization"
    payload = {
        "model": "qwen-voice-enrollment", # Jangan ubah nilai ini
        "input": {
            "action": "create",
            "target_model": target_model,
            "preferred_name": preferred_name,
            "voice_prompt": voice_prompt
        }
    }
    headers = {
        "Authorization": f"Bearer {api_key}",
        "Content-Type": "application/json"
    }

    resp = requests.post(url, json=payload, headers=headers)
    if resp.status_code != 200:
        raise RuntimeError(f"Failed to create voice: {resp.status_code}, {resp.text}")

    result = resp.json()
    preview_audio = result.get("output", {}).get("preview_audio")
    if preview_audio:
        print(f"Preview audio URL: {preview_audio}")

    try:
        return result["output"]["voice"]
    except (KeyError, ValueError) as e:
        raise RuntimeError(f"Failed to parse voice response: {e}")

if __name__ == '__main__':
    # URL berikut untuk wilayah Singapura. Jika Anda menggunakan model di wilayah Beijing, ganti URL dengan: https://dashscope.aliyuncs.com/api/v1
    dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

    voice_id = create_voice_by_design(VOICE_PROMPT)
    print(f"Created voice ID: {voice_id}")

    text = "Hello everyone, welcome to our live stream! The product we are recommending today is truly amazing."
    response = dashscope.MultiModalConversation.call(
        model=DEFAULT_TARGET_MODEL,
        # Kunci API untuk wilayah Singapura dan Beijing berbeda. Dapatkan Kunci API: https://www.alibabacloud.com/help/zh/model-studio/get-api-key
        # Jika tidak ada variabel lingkungan yang dikonfigurasi, ganti baris berikut dengan Kunci API Model Studio Anda: api_key = "sk-xxx"
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        text=text,
        voice=voice_id,
        stream=False
    )
    print(response)

# URL di bawah mengarah ke wilayah Singapura. Jika Anda menggunakan model di wilayah Tiongkok (Beijing), ganti dengan: https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization
# Catatan: Kunci API berbeda antara wilayah Singapura dan Beijing. Untuk mendapatkan Kunci API, kunjungi: https://www.alibabacloud.com/help/zh/model-studio/get-api-key

curl -X POST 'https://dashscope-intl.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-vd-2026-01-26",
        "preferred_name": "custom_voice",
        "voice_prompt": "A composed middle-aged male announcer with a deep, rich and magnetic voice, a steady speaking speed and clear articulation, is suitable for news broadcasting or documentary commentary."
    }
}'

# Ganti YOUR_VOICE_ID dengan nilai voice yang dikembalikan pada langkah sebelumnya
# URL di bawah mengarah ke wilayah Singapura. Jika Anda menggunakan model di wilayah Tiongkok (Beijing), ganti dengan: https://dashscope.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation

curl -X POST 'https://dashscope-intl.aliyuncs.com/api/v1/services/aigc/multimodal-generation/generation' \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H 'Content-Type: application/json' \
-d '{
    "model": "qwen3-tts-vd-2026-01-26",
    "input": {
        "text": "Dear listeners, hello everyone. Welcome to the evening news.",
        "voice": "YOUR_VOICE_ID"
    }
}'

CosyVoice Voice Design

CosyVoice juga membuat voice dari deskripsi suara. Alur kerjanya sama seperti Qwen-TTS Voice Design.

Langkah 1: Buat voice

Panggil API Voice Cloning/Design. Masukkan deskripsi suara dalam parameter voice_prompt dan tentukan teks untuk audio pratinjau dalam parameter preview_text.

# URL di bawah mengarah ke wilayah Singapura. Jika Anda menggunakan model di wilayah Tiongkok (Beijing), ganti dengan: https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization
# Untuk mendapatkan Kunci API, kunjungi: https://www.alibabacloud.com/help/zh/model-studio/get-api-key

curl -X POST https://dashscope-intl.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",
        "voice_prompt": "A composed middle-aged male announcer with a deep, rich and magnetic voice, a steady speaking speed and clear articulation, is suitable for news broadcasting or documentary commentary.",
        "preview_text": "Dear listeners, hello everyone. Welcome to the evening news.",
        "prefix": "announcer",
        "language_hints": ["zh"]
    },
    "parameters": {
        "sample_rate": 24000,
        "response_format": "wav"
    }
}'

Langkah 2: Sintesis suara

Ganti voice pada permintaan berikut dengan nilai yang dikembalikan pada langkah sebelumnya.

# Ganti YOUR_VOICE_ID dengan nilai voice yang dikembalikan pada langkah sebelumnya
# URL di bawah mengarah ke wilayah Singapura. Jika Anda menggunakan model di wilayah Tiongkok (Beijing), ganti dengan: https://dashscope.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer

curl -X POST https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/SpeechSynthesizer \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "cosyvoice-v3.5-plus",
    "input": {
      "text": "Dear listeners, hello everyone. Welcome to the evening news.",
      "voice": "YOUR_VOICE_ID",
      "format": "wav",
      "sample_rate": 24000
    }
}'

Persyaratan dan batasan

• Batas panjang: Panjang maksimum voice_prompt bervariasi tergantung model: hingga 500 karakter untuk CosyVoice dan hingga 2.048 karakter untuk Qwen-TTS.

• Bahasa yang didukung: Deskripsi suara hanya mendukung bahasa Mandarin dan Inggris.

Prinsip utama

1. Bersifat spesifik, bukan samar: Gunakan istilah deskriptif untuk karakteristik suara, seperti "dalam," "jernih," atau "cepat." Hindari istilah subjektif atau samar seperti "menyenangkan" atau "biasa."

2. Bersifat multidimensi: Deskripsi yang baik mencakup beberapa dimensi (seperti jenis kelamin, usia, dan emosi). Deskripsi seperti "suara perempuan" saja terlalu umum untuk menghasilkan voice yang khas.

3. Bersifat objektif, bukan subjektif: Fokus pada karakteristik yang objektif dan terukur. Misalnya, gunakan "nada tinggi dengan intonasi energik" daripada "suara favorit saya."

4. Bersifat orisinal, bukan imitatif: Jelaskan karakteristik suara, bukan meminta peniruan terhadap orang tertentu (seperti selebriti atau aktor). Model tidak mendukung peniruan, dan permintaan semacam itu dapat menimbulkan masalah hak cipta.

5. Bersifat ringkas, bukan redundan: Pastikan setiap kata bernilai. Hindari pengulangan sinonim atau penambahan modifier yang tidak perlu.

Dimensi deskripsi

Gabungkan dimensi berikut untuk mendeskripsikan suara. Semakin banyak dimensi yang Anda sertakan, semakin akurat hasilnya.

Contoh

• Gaya penyiaran standar: pelafalan jelas dan tepat, artikulasi baik

• Suara perempuan muda yang hidup dengan laju berbicara cepat, intonasi naik yang jelas, cocok untuk perkenalan produk fesyen

• Pria paruh baya yang tenang dengan laju berbicara lambat, suara dalam dan magnetis, cocok untuk penyiaran berita atau narasi dokumenter

• Perempuan lembut dan intelektual, sekitar 30 tahun, nada merata, cocok untuk narasi buku audio

• Suara anak lucu, kira-kira perempuan berusia 8 tahun, nada sedikit kekanak-kanakan, cocok untuk pengisi suara karakter animasi

Q: Apakah deskripsi suara yang sama selalu menghasilkan voice yang sama?

Tidak selalu. Voice Design merupakan proses generatif, sehingga deskripsi yang sama dapat menghasilkan voice yang sedikit berbeda setiap kali. Hasilkan beberapa voice, dengarkan masing-masing, dan pilih yang paling sesuai.

Q: Bahasa apa saja yang dapat saya gunakan untuk deskripsi suara?

Saat ini, deskripsi suara (voice_prompt) hanya mendukung bahasa Mandarin dan Inggris. Namun, voice yang dihasilkan dapat mensintesis ucapan dalam berbagai bahasa.

Q: Apa perbedaan antara Voice Design dan Voice Cloning?

Voice Design membuat voice dari nol menggunakan deskripsi suara, tanpa memerlukan sampel audio. Fitur ini ideal untuk merancang identitas suara yang benar-benar baru. Voice Cloning mereplikasi suara dari sampel audio nyata dan paling cocok untuk mereproduksi suara seseorang secara spesifik. Untuk detail selengkapnya, lihat Voice cloning.