Voice cloning HTTP API reference_Alibaba Cloud Model Studio(Model Studio) - Alibaba Cloud Model Studio

HTTP API を使用して、クローン音声の作成、一覧表示、クエリ、更新、削除を行います。

ユーザーガイド： 音声クローニング。

サービスエンドポイント

シンガポール

POST https://{WorkspaceId}.ap-southeast-1.maas.aliyuncs.com/api/v1/services/audio/tts/customization

{WorkspaceId} を実際のワークスペース ID に置き換えます。

中国 (北京)

POST https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/customization

{WorkspaceId} を実際のワークスペース ID に置き換えます。

重要Alibaba Cloud Model Studio は、中国 (北京) およびシンガポールリージョン向けにワークスペース固有のドメインをリリースしました。新しい専用ドメインは、推論リクエストに対して優れたパフォーマンスと高い安定性を提供します。新しいドメインへの移行を推奨します：

中国 (北京)： dashscope.aliyuncs.com から {WorkspaceId}.cn-beijing.maas.aliyuncs.com へ
シンガポール： dashscope-intl.aliyuncs.com から {WorkspaceId}.ap-southeast-1.maas.aliyuncs.com へ

{WorkspaceId} を実際のワークスペース ID に置き換えてください。既存のドメインは引き続き完全に機能します。

リクエストヘッダー

パラメーター	タイプ	必須	説明
Authorization	string	はい	認証トークン。フォーマットは `Bearer <your_api_key>` です。`<your_api_key>` を実際の API キーに置き換えます。
Content-Type	string	はい	リクエストボディのメディアタイプ。Qwen-Audio-TTS/CosyVoice/Qwen-TTS の場合は `application/json` に、MiniMax の場合は `application/json; charset=utf-8` に設定します。

音声の作成

リクエストボディ

modelstring(必須)

音声クローニングモデル。有効な値：

voice-enrollment： Qwen-Audio-TTS/CosyVoice の音声クローニング。
qwen-voice-enrollment： Qwen-TTS の音声クローニング。

inputobject(必須)

入力パラメーター。

プロパティ

action string(必須)

アクションタイプ。

Qwen-Audio-TTS/CosyVoice (voice-enrollment)： create_voice に設定します。
Qwen (qwen-voice-enrollment)： create に設定します。

target_model string(必須)

クローン音声を駆動する音声合成 (TTS) モデル。TTS API を呼び出す際に指定するモデルと一致させる必要があります。一致しない場合、合成は失敗します。

url string(条件付きで必須)

重要model が voice-enrollment の場合、Qwen-Audio-TTS/CosyVoice の音声クローニングにのみ適用されます。

音声クローニング用の音声ファイルの URL。URL はパブリックにアクセスできる必要があります。

audio object(条件付きで必須)

重要model が qwen-voice-enrollment の場合、Qwen-TTS の音声クローニングにのみ適用されます。

音声データ。2 つの送信方法がサポートされています：

データ URL (Base64 エンコード)：フォーマットは {"data": "data:{mime_type};base64,{base64_encoded_data}"} です。サポートされている MIME タイプ： audio/wav、audio/mpeg、audio/mp4。
音声 URL：フォーマットは {"data": "https://your-audio-url.wav"} です。URL は認証なしでパブリックにアクセスできる必要があります。

text string(オプション)

重要model が qwen-voice-enrollment の場合、Qwen-TTS の音声クローニングにのみ適用されます。

音声のトランスクリプト。クローニングの品質を向上させるために使用されます。

prefix string(条件付きで必須)

重要model が voice-enrollment の場合、Qwen-Audio-TTS/CosyVoice にのみ適用されます。

音声名のプレフィックス。英数字のみが許可され、最大長は 10 文字です。結果として得られる音声名は、{target_model}-{prefix}-{unique_id} のフォーマットに従います。

preferred_name string(条件付きで必須)

重要model が qwen-voice-enrollment の場合、Qwen-TTS の音声クローニングにのみ適用されます。

音声名のプレフィックス。英数字とアンダースコアのみが許可され、最大長は 16 文字です。

language_hints array[string](オプション)

重要model が voice-enrollment の場合、Qwen-Audio-TTS/CosyVoice の音声クローニングにのみ適用されます。qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash、cosyvoice-v3.5-plus、v3.5-flash、v3-plus、v3-flash でのみサポートされています。

モデルがサンプル音声の言語を識別し、音声特徴をより正確に抽出し、クローニング品質を向上させるのに役立ちます。指定された言語が実際の音声言語と一致しない場合 (たとえば、音声が中国語なのに en を設定した場合)、システムはこの値を無視し、言語を自動的に検出します。

このパラメーターは配列ですが、現在のバージョンでは最初の要素のみが処理されます。

有効な値はモデルによって異なります：

qwen-audio-3.0-tts-plus、qwen-audio-3.0-tts-flash：
- zh：中国語
- en：英語
- fr：フランス語
- de：ドイツ語
- ja：日本語
- ko：韓国語
- ru：ロシア語
- pt：ポルトガル語
- th：タイ語
- id：インドネシア語
- vi：ベトナム語
- it：イタリア語
- es：スペイン語
- ms：マレーシア語
- fil：フィリピン語
- ar：アラビア語
cosyvoice-v3-plus：
- zh：中国語
- en：英語
- fr：フランス語
- de：ドイツ語
- ja：日本語
- ko：韓国語
- ru：ロシア語
cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-flash：
- zh：中国語
- en：英語
- fr：フランス語
- de：ドイツ語
- ja：日本語
- ko：韓国語
- ru：ロシア語
- pt：ポルトガル語
- th：タイ語
- id：インドネシア語
- vi：ベトナム語

デフォルト： ["zh"]。

language string(オプション)

重要model が qwen-voice-enrollment の場合、Qwen-TTS の音声クローニングにのみ適用されます。

audio.data で提供される音声の言語。このパラメーターを使用する場合は、指定された言語がクローニングに使用される音声の実際の言語と一致することを確認してください。

有効な値：

zh：中国語
en：英語
de：ドイツ語
it：イタリア語
pt：ポルトガル語
es：スペイン語
ja：日本語
ko：韓国語
fr：フランス語
ru：ロシア語

デフォルト： zh。

max_prompt_audio_length float(オプション)

前処理後の参照音声の最大持続時間 (秒)。有効な値： [3.0, 30.0]。

デフォルト： 10.0。

enable_preprocess boolean(オプション)

音声前処理 (ノイズリダクション、音声強調、音量正規化) を有効にするかどうか。バックグラウンドノイズのある録音の場合はこれを有効にします。静かな環境での録音の場合は、元の音声特性を保持するために無効にします。

デフォルト： false。

enable_volume_normalization string(オプション)

重要model が voice-enrollment に設定されている場合、Qwen-Audio-TTS/CosyVoice の音声クローニングにのみ適用されます。

音声クローニングに使用されるサンプル音声の音量を正規化するかどうか。有効な値：

"true"：音量正規化を有効にします。
"false"：音量正規化を無効にします。

有効にすると、作成された音声で合成された音声は、このパラメーターを無効にして作成された音声で合成された音声とは音量が異なる場合があります。

デフォルト： "false"。

この例では、シンガポールリージョンのエンドポイントを使用します。北京リージョンの場合は、https://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api/v1/services/audio/tts/customization を使用します。

{WorkspaceId} を実際のワークスペース ID に置き換えます。

Qwen-Audio-TTS/CosyVoice 音声クローニング

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "qwen-audio-3.0-tts-flash",
        "prefix": "myvoice",
        "url": "https://your-audio-url.wav",
        "language_hints": ["en"],
        "enable_volume_normalization": "false"
    }
}'

Qwen-TTS 音声クローニング

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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-realtime-2026-01-15",
        "preferred_name": "myvoice",
        "audio": {"data": "data:audio/mpeg;base64,{base64_encoded_audio}"}
    }
}'

レスポンスボディ

request_idstring

このリクエストの一意の識別子。

outputobject

モデルから返されたデータ。

プロパティ

voice_id / voicestring

音声 ID。Qwen-Audio-TTS/CosyVoice は voice_id を返し、Qwen は voice を返します。この値を TTS API の voice パラメーターで直接使用します。

target_modelstring

重要Qwen によってのみ返されます。

クローン音声を駆動する TTS モデル。

fallback_modeboolean

重要model が qwen-voice-enrollment の場合、Qwen-TTS の音声クローニングにのみ適用されます。

音声がフォールバックモードで作成されたかどうか。true の値は、音声品質が低いか、提供されたテキストと一致せず、クローニング品質が低下する可能性があることを示します。

fallback_reasonstring

重要fallback_mode が true の場合にのみ返されます。

フォールバックの理由。考えられる値には、no_merged_segments (音声セグメントをマージできない) や no_valid_asr_segments (音声とテキストの間に深刻な不一致がある) などがあります。

usageobject

このリクエストの使用量情報。

プロパティ

count integer

作成された音声の数。常に 1 です。

Qwen-Audio-TTS/CosyVoice 音声クローニング

{
    "output": {
        "voice_id": "qwen-audio-3.0-tts-flash-myvoice-xxxxxx"
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

Qwen-TTS 音声クローニング

{
    "output": {
        "voice": "yourVoice",
        "target_model": "qwen3-tts-vc-realtime-2026-01-15"
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

重要Qwen-Audio-TTS/CosyVoice は voice_id フィールドを返しますが、Qwen は voice フィールドを返します。Qwen-TTS の音声クローニングは、fallback_mode および fallback_reason フィールドを返すこともあります。

音声リストのクエリ

リクエストボディ

modelstring(必須)

音声クローニングモデル。有効な値：

voice-enrollment： Qwen-Audio-TTS/CosyVoice の音声クローニング。
qwen-voice-enrollment： Qwen-TTS の音声クローニング。

inputobject(必須)

入力パラメーター。

プロパティ

action string(必須)

アクションタイプ。Qwen-Audio-TTS/CosyVoice： list_voice。Qwen： list。

prefix string(オプション)

重要Qwen-Audio-TTS/CosyVoice にのみ適用されます。

名前のプレフィックスで音声をフィルタリングします。

page_index integer(オプション)

ページインデックス。

page_size integer(オプション)

1 ページあたりのエントリ数。

{WorkspaceId} を実際のワークスペース ID に置き換えます。

Qwen-Audio-TTS/CosyVoice

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "list_voice",
        "prefix": "myvoice",
        "page_size": 10,
        "page_index": 0
    }
}'

Qwen-TTS 音声クローニング

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "list",
        "page_size": 10,
        "page_index": 0
    }
}'

レスポンスボディ

request_idstring

このリクエストの一意の識別子。

outputobject

モデルから返されたデータ。

プロパティ

page_indexinteger

重要Qwen によってのみ返されます。

現在のページインデックス。

page_sizeinteger

重要Qwen によってのみ返されます。

1 ページあたりのエントリ数。

total_countinteger

重要Qwen によってのみ返されます。

音声の総数。

voice_listarray[object]

クエリされた音声のリスト。Qwen-Audio-TTS/CosyVoice と Qwen の両方が voice_list フィールド名を使用します。

プロパティ

voice_id / voicestring

音声 ID。Qwen-Audio-TTS/CosyVoice は voice_id を使用し、Qwen は voice を使用します。

gmt_createstring

作成時刻。

gmt_modifiedstring

最終変更時刻。

statusstring

重要Qwen-Audio-TTS/CosyVoice によってのみ返されます。

音声のステータス。有効な値については、「音声ステータスの説明」をご参照ください。

target_modelstring

重要Qwen によってのみ返されます。

クローン音声を駆動する TTS モデル。

usageobject

このリクエストの使用量情報。

プロパティ

count integer

Qwen-Audio-TTS/CosyVoice の場合は常に 1。Qwen の場合は常に 0。

Qwen-Audio-TTS/CosyVoice

{
    "output": {
        "voice_list": [
            {
                "voice_id": "qwen-audio-3.0-tts-flash-myvoice-xxxxxx",
                "gmt_create": "2024-12-11 13:38:02",
                "gmt_modified": "2024-12-11 13:38:02",
                "status": "OK"
            }
        ]
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

Qwen

{
    "output": {
        "page_index": 0,
        "page_size": 10,
        "total_count": 2,
        "voice_list": [
            {
                "voice": "yourVoice1",
                "gmt_create": "2025-08-11 17:59:32",
                "gmt_modified": "2025-08-11 17:59:32",
                "language": "en",
                "target_model": "qwen3-tts-vc-realtime-2026-01-15"
            }
        ]
    },
    "usage": {
        "count": 0
    },
    "request_id": "xxxx-xxxx-xxxx"
}

重要Qwen-Audio-TTS/CosyVoice は、各エントリに voice_id フィールドを含む voice_list 配列を返します。Qwen も voice_list 配列を返しますが、各エントリには代わりに voice フィールドが含まれます。Qwen の出力には、さらに page_index、page_size、total_count のページネーションフィールドが含まれます。

音声詳細のクエリ

重要model が voice-enrollment の場合、Qwen-Audio-TTS/CosyVoice にのみ適用されます。Qwen モデルは、音声詳細のクエリ操作をサポートしていません。

リクエストボディ

modelstring(必須)

voice-enrollment (Qwen-Audio-TTS/CosyVoice) に設定します。

inputobject(必須)

入力パラメーター。

プロパティ

action string(必須)

query_voice に設定します。

voice_id string(必須)

クエリする音声 ID。

{WorkspaceId} を実際のワークスペース ID に置き換えます。

Qwen-Audio-TTS/CosyVoice

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "query_voice",
        "voice_id": "yourVoiceId"
    }
}'

レスポンスボディ

request_idstring

このリクエストの一意の識別子。

outputobject

モデルから返されたデータ。

プロパティ

resource_linkstring

音声ファイルの URL。

gmt_createstring

作成時刻。

gmt_modifiedstring

最終変更時刻。

statusstring

音声のステータス。有効な値については、「音声ステータスの説明」をご参照ください。

target_modelstring

クローン音声を駆動する TTS モデル。

usageobject

このリクエストの使用量情報。

プロパティ

count integer

常に 1 です。

{
    "output": {
        "gmt_create": "2024-12-11 13:38:02",
        "resource_link": "https://yourAudioFileUrl",
        "target_model": "qwen-audio-3.0-tts-flash",
        "gmt_modified": "2024-12-11 13:38:02",
        "status": "OK"
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

音声の更新

重要model が voice-enrollment の場合、Qwen-Audio-TTS/CosyVoice の音声クローニングにのみ適用されます。Qwen モデルは更新操作をサポートしていません。

リクエストボディ

modelstring(必須)

voice-enrollment に設定します。

inputobject(必須)

入力パラメーター。

プロパティ

action string(必須)

update_voice に設定します。

voice_id string(必須)

更新する音声 ID。

url string(必須)

新しい音声ファイルの URL。URL はパブリックにアクセスできる必要があります。

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "update_voice",
        "voice_id": "yourVoiceId",
        "url": "https://new-audio-url.wav"
    }
}'

レスポンスボディ

request_idstring

このリクエストの一意の識別子。

outputobject

モデルから返されたデータ。更新操作はビジネスデータを返しません。レスポンスには preview_audio フィールドが含まれる場合がありますが、これは無視できる空のオブジェクトです。

usageobject

このリクエストの使用量情報。

プロパティ

count integer

常に 1 です。

{
    "output": {
        "preview_audio": {}
    },
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

音声の削除

リクエストボディ

modelstring(必須)

音声クローニングモデル。有効な値：

voice-enrollment： Qwen-Audio-TTS/CosyVoice の音声クローニング。
qwen-voice-enrollment： Qwen-TTS の音声クローニング。

inputobject(必須)

入力パラメーター。

プロパティ

action string(必須)

アクションタイプ。Qwen-Audio-TTS/CosyVoice： delete_voice。Qwen： delete。

voice_id string(条件付きで必須)

重要Qwen-Audio-TTS/CosyVoice にのみ適用されます。

削除する音声 ID。

voice string(条件付きで必須)

重要Qwen にのみ適用されます。

削除する音声名。

{WorkspaceId} を実際のワークスペース ID に置き換えます。

Qwen-Audio-TTS/CosyVoice

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "delete_voice",
        "voice_id": "yourVoiceId"
    }
}'

Qwen-TTS 音声クローニング

curl -X POST https://{WorkspaceId}.ap-southeast-1.maas.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": "delete",
        "voice": "yourVoice"
    }
}'

レスポンスボディ

request_idstring

このリクエストの一意の識別子。

outputobject

モデルから返されたデータ。Qwen-Audio-TTS/CosyVoice は空のオブジェクトを返し、Qwen は削除された音声の名前を返します。

プロパティ

voicestring

重要Qwen によってのみ返されます。

削除された音声の名前。

usageobject

このリクエストの使用量情報。

プロパティ

count integer

Qwen-Audio-TTS/CosyVoice の場合は常に 1。Qwen の場合は常に 0。

Qwen-Audio-TTS/CosyVoice

{
    "output": {},
    "usage": {
        "count": 1
    },
    "request_id": "xxxx-xxxx-xxxx"
}

Qwen

{
    "output": {
        "voice": "yourVoice"
    },
    "usage": {
        "count": 0
    },
    "request_id": "xxxx-xxxx-xxxx"
}

重要Qwen-Audio-TTS/CosyVoice は空の出力オブジェクトを返しますが、Qwen は削除された音声名を持つ voice フィールドを返します。

音声ステータスの説明

音声が作成されると、審査プロセスを経ます。以下のステータスは、model が voice-enrollment の場合、Qwen-Audio-TTS/CosyVoice にのみ適用されます。Qwen のクエリおよびリストのレスポンスにはステータスフィールドは含まれません。

ステータス	説明
DEPLOYING	審査中または処理中です。
OK	審査に合格しました。音声は使用可能です。
UNDEPLOYED	審査が拒否されました。音声は使用できません。