音声デザイン HTTP API リファレンス - Alibaba Cloud Model Studio

Voice Design HTTP API を使用して、カスタム音声の作成、一覧表示、照会、および削除を行います。

ユーザーガイド： Voice Design。

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} は、実際のワークスペース ID に置き換えてください。

中国 (北京)

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

{WorkspaceId} は、実際のワークスペース ID に置き換えてください。

重要

Alibaba Cloud Model Studio では、中国 (北京) リージョンおよびシンガポールリージョン向けにワークスペース専用ドメインがリリースされました。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。以下の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} は、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	Yes	`Bearer <your_api_key>` 形式の認証トークン。`<your_api_key>` は、実際の API キーに置き換えてください。
Content-Type	string	Yes	リクエストボディのメディアタイプ。`application/json` に設定します。

音声の作成

リクエストボディ	CosyVoice 音声デザインは中国 (北京) リージョンでのみ利用可能です。Qwen 音声デザインはシンガポールリージョンをサポートしています。以下の CosyVoice の例では中国 (北京) リージョンの URL を使用しています。Qwen の例ではシンガポールリージョンの URL を使用しています（`{WorkspaceId}` は実際のワークスペース ID に置き換えてください）。 CosyVoice 音声デザイン 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": "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": ["en"] }, "parameters": { "sample_rate": 24000, "response_format": "wav" } }' Qwen 音声デザイン 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-design", "input": { "action": "create", "target_model": "qwen3-tts-vd-realtime-2026-01-15", "preferred_name": "announcer", "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.", "language": "en" }, "parameters": { "sample_rate": 24000, "response_format": "wav" } }'
model `string` （必須）音声デザインモデル。有効な値は次のとおりです。 `voice-enrollment`： CosyVoice 音声デザイン。 `qwen-voice-design`： Qwen 音声デザイン。
input `object` （必須）入力パラメーターオブジェクト。プロパティ action `string` （必須）操作タイプ。 CosyVoice（`voice-enrollment`）： `create_voice` に設定します。 Qwen（`qwen-voice-design`）： `create` に設定します。 target_model `string` （必須）音声を駆動する音声合成（TTS）モデル。この値は、TTS API を呼び出す際に使用するモデルと一致している必要があります。一致しない場合、合成が失敗します。 voice_prompt `string` （必須）目的の音声特性を記述したテキスト。中国語と英語のみサポートされています。 CosyVoice（`voice-enrollment`）：最大 500 文字。 Qwen（`qwen-voice-design`）：最大 2,048 文字。 preview_text `string` （必須）プレビューオーディオ用のテキスト。 CosyVoice（`voice-enrollment`）：最大 200 文字。中国語と英語をサポートしています。 Qwen（`qwen-voice-design`）：最大 1,024 文字。中国語、英語、ドイツ語、イタリア語、ポルトガル語、スペイン語、日本語、韓国語、フランス語、ロシア語をサポートしています。 prefix `string` （条件付き必須）重要 CosyVoice（モデルが `voice-enrollment` の場合）にのみ適用されます。音声名のプレフィックス。英数字のみ使用可能で、最大 10 文字です。生成される音声名は次の形式になります：`{target_model}-vd-{prefix}-{unique_id}` preferred_name `string` （条件付き必須）重要 Qwen（モデルが `qwen-voice-design` の場合）にのみ適用されます。音声名のプレフィックス。英数字およびアンダースコアのみ使用可能で、最大 16 文字です。 language_hints `array[string]` （任意）重要 CosyVoice（モデルが `voice-enrollment` の場合）にのみ適用されます。生成される音声の言語ヒント。これにより、音声の言語特性や発音パターンが決定されます。ユースケースに合った言語を設定してください。指定された言語は、`preview_text` の言語と一致している必要があります。現在、最初の要素のみが使用されます。有効な値： zh：中国語 en：英語デフォルト： ["zh"]。 language `string` （任意）重要 Qwen（モデルが `qwen-voice-design` の場合）にのみ適用されます。生成される音声の言語ヒント。これにより、音声の言語特性や発音パターンが決定されます。ユースケースに合った言語を設定してください。指定された言語は、`preview_text` の言語と一致している必要があります。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。
parameters `object` （任意）音声デザインの設定。プロパティ sample_rate `int` （任意）プレビューオーディオのサンプルレート（Hz 単位）。 CosyVoice： 16000、24000、または 48000。 Qwen： 8000、16000、24000、または 48000。デフォルト： 24000。 response_format `string` （任意）プレビューオーディオのフォーマット。 CosyVoice： pcm、wav、または mp3。 Qwen： pcm、wav、mp3、または opus。デフォルト： wav。

レスポンスボディ	CosyVoice 音声デザイン `{ "output": { "preview_audio": { "data": "{base64_encoded_audio}", "sample_rate": 24000, "response_format": "wav" }, "target_model": "cosyvoice-v3.5-plus", "voice_id": "cosyvoice-v3.5-plus-vd-announcer-xxxxxx" }, "usage": { "count": 1 }, "request_id": "xxxx-xxxx-xxxx" }` Qwen 音声デザイン `{ "output": { "preview_audio": { "data": "{base64_encoded_audio}", "sample_rate": 24000, "response_format": "wav" }, "target_model": "qwen3-tts-vd-realtime-2026-01-15", "voice": "yourVoice" }, "usage": { "count": 1 }, "request_id": "xxxx-xxxx-xxxx" }` 重要 CosyVoice は `voice_id` フィールドを返し、Qwen は `voice` フィールドを返します。
request_id `string` このリクエストの一意な識別子。
output `object` モデルによって返されるデータ。プロパティ voice_id / voice `string` 音声 ID。CosyVoice は `voice_id` を返し、Qwen は `voice` を返します。この値を TTS API の音声パラメーターとして直接使用します。 preview_audio `object` プレビューオーディオデータ。プロパティ data `string` Base64 エンコードされたプレビューオーディオデータ。 sample_rate `int` プレビューオーディオのサンプルレート（Hz 単位）。 response_format `string` プレビューオーディオのフォーマット。 target_model `string` 音声を駆動する TTS モデル。
usage `object` 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。

音声の一覧表示

リクエストボディ

CosyVoice 音声デザインは中国 (北京) リージョンでのみ利用可能です。Qwen 音声デザインはシンガポールリージョンをサポートしています。以下の CosyVoice の例では中国 (北京) リージョンの URL を使用しています。Qwen の例ではシンガポールリージョンの URL を使用しています（{WorkspaceId} は実際のワークスペース ID に置き換えてください）。

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 音声デザイン

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-design",
    "input": {
        "action": "list",
        "page_size": 10,
        "page_index": 0
    }
}'

model string （必須）

音声デザインモデル。有効な値は次のとおりです。

voice-enrollment： CosyVoice 音声デザイン。
qwen-voice-design： Qwen 音声デザイン。

input object （必須）

入力パラメーターオブジェクト。

プロパティ

action string （必須）

操作タイプ。CosyVoice： list_voice。Qwen： list。

prefix string （任意）

重要

CosyVoice のみに適用されます。

音声名のプレフィックスでフィルタリングします。

page_index integer （任意）

ページインデックス。

page_size integer （任意）

1 ページあたりのエントリ数。

レスポンスボディ	CosyVoice { "output": { "voice_list": [ { "voice_id": "cosyvoice-v3.5-plus-vd-announcer-xxxxxx", "gmt_create": "2025-12-10 14:54:09", "gmt_modified": "2025-12-10 17:47:48", "status": "OK", "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." } ] }, "usage": { "count": 1 }, "request_id": "xxxx-xxxx-xxxx" } Qwen { "output": { "page_index": 0, "page_size": 10, "total_count": 1, "voice_list": [ { "voice": "yourVoice", "gmt_create": "2025-08-11 17:59:32", "gmt_modified": "2025-08-11 17:59:32", "language": "zh", "target_model": "qwen3-tts-vd-realtime-2026-01-15", "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." } ] }, "usage": { "count": 0 }, "request_id": "xxxx-xxxx-xxxx" } 重要 CosyVoice は各アイテムに `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、各アイテムには代わりに `voice` フィールドが含まれます。また、Qwen の出力には `page_index`、`page_size`、および `total_count` のページネーションフィールドも含まれます。
request_id `string` このリクエストの一意な識別子。
output `object` モデルによって返されるデータ。プロパティ page_index `integer` 重要 Qwen のみが返します。現在のページインデックス。 page_size `integer` 重要 Qwen のみが返します。 1 ページあたりのエントリ数。 total_count `integer` 重要 Qwen のみが返します。音声の総数。 voice_list `array[object]` クエリによって返された音声のリスト。プロパティ voice_id / voice `string` 音声 ID。CosyVoice は `voice_id` を使用し、Qwen は `voice` を使用します。 gmt_create `string` 作成時刻。 gmt_modified `string` 最終更新時刻。 status `string` 重要 CosyVoice のみが返します。音声のステータス。有効な値については、「音声ステータスリファレンス」をご参照ください。 target_model `string` 重要 Qwen のみが返します。音声を駆動する TTS モデル。 language `string` 音声の言語。 voice_prompt `string` 音声の説明テキスト。 preview_text `string` プレビューオーディオのテキスト。
usage `object` このリクエストの使用量情報。プロパティ count `integer` CosyVoice：常に 1。Qwen：常に 0。

音声詳細の照会

リクエストボディ

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"
    }
}'

Qwen 音声デザイン

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-design",
    "input": {
        "action": "query",
        "voice": "yourVoice"
    }
}'

model string （必須）

音声デザインモデル。有効な値は次のとおりです。

voice-enrollment： CosyVoice 音声デザイン。
qwen-voice-design： Qwen 音声デザイン。

input object （必須）

入力パラメーターオブジェクト。

プロパティ

action string （必須）

操作タイプ。CosyVoice： query_voice。Qwen 音声デザイン： query。

voice_id string （条件付き必須）

重要

CosyVoice のみに適用されます。

照会する音声 ID。

voice string （条件付き必須）

重要

Qwen 音声デザイン（モデルが qwen-voice-design の場合）にのみ適用されます。

照会する音声名。

レスポンスボディ	CosyVoice 音声デザイン { "output": { "voice_id": "cosyvoice-v3.5-plus-vd-announcer-xxxxxx", "gmt_create": "2025-12-10 14:54:09", "gmt_modified": "2025-12-10 17:47:48", "preview_text": "Dear listeners, hello everyone. Welcome to the evening news.", "target_model": "cosyvoice-v3.5-plus", "status": "OK", "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." }, "usage": {}, "request_id": "xxxx-xxxx-xxxx" } Qwen 音声デザイン `{ "output": { "voice": "yourVoice", "gmt_create": "2025-08-11 17:59:32", "gmt_modified": "2025-08-11 17:59:32", "language": "zh", "target_model": "qwen3-tts-vd-realtime-2026-01-15" }, "usage": { "count": 0 }, "request_id": "xxxx-xxxx-xxxx" }` 重要 CosyVoice は `voice_id`、`voice_prompt`、およびその他のフィールドを返します。Qwen は `voice` および `language` フィールドを返します。
request_id `string` このリクエストの一意な識別子。
output `object` モデルによって返されるデータ。プロパティ voice_id / voice `string` 音声 ID。CosyVoice は `voice_id` を返し、Qwen は `voice` を返します。 gmt_create `string` 作成時刻。 gmt_modified `string` 最終更新時刻。 status `string` 重要 CosyVoice のみが返します。音声のステータス。有効な値については、「音声ステータスリファレンス」をご参照ください。 target_model `string` 音声を駆動する TTS モデル。 language `string` 重要 Qwen 音声デザインのみが返します。音声の言語。 voice_prompt `string` 重要 CosyVoice 音声デザインのみが返します。音声の説明テキスト。 preview_text `string` 重要 CosyVoice 音声デザインのみが返します。プレビューオーディオのテキスト。
usage `object` このリクエストの使用量情報。プロパティ count `integer` Qwen：常に 0。CosyVoice は返しません（usage オブジェクトは空）。

音声の削除

リクエストボディ

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 音声デザイン

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-design",
    "input": {
        "action": "delete",
        "voice": "yourVoice"
    }
}'

model string （必須）

音声デザインモデル。有効な値は次のとおりです。

voice-enrollment： CosyVoice 音声デザイン。
qwen-voice-design： Qwen 音声デザイン。

input object （必須）

入力パラメーターオブジェクト。

プロパティ

action string （必須）

操作タイプ。CosyVoice： delete_voice。Qwen： delete。

voice_id string （条件付き必須）

重要

CosyVoice のみに適用されます。

削除する音声 ID。

voice string （条件付き必須）

重要

Qwen のみに適用されます。

削除する音声名。

レスポンスボディ	CosyVoice `{ "output": {}, "usage": { "count": 1 }, "request_id": "xxxx-xxxx-xxxx" }` Qwen `{ "output": { "voice": "yourVoice" }, "usage": { "count": 0 }, "request_id": "xxxx-xxxx-xxxx" }` 重要 CosyVoice は空の output オブジェクトを返し、Qwen は `voice` フィールドを返します。
request_id `string` このリクエストの一意な識別子。
output `object` モデルによって返されるデータ。CosyVoice は空のオブジェクトを返します。Qwen は削除された音声の名前を返します。プロパティ voice `string` 重要 Qwen のみが返します。削除された音声の名前。
usage `object` このリクエストの使用量情報。プロパティ count `integer` CosyVoice：常に 1。Qwen：常に 0。

音声ステータスリファレンス

音声を作成すると、レビュー処理が行われます。次の表は各ステータスについて説明しています。このステータスシステムは CosyVoice（モデルが voice-enrollment の場合）にのみ適用されます。Qwen の照会および一覧表示のレスポンスには status フィールドが含まれません。

ステータス	説明
DEPLOYING	レビュー中または処理中。
OK	レビュー合格。音声は使用可能な状態です。
UNDEPLOYED	レビュー不合格。音声は使用できません。

エンドポイント

シンガポール

中国 (北京)

リクエストヘッダー

音声の作成

リクエストボディ

CosyVoice 音声デザイン

Qwen 音声デザイン

レスポンスボディ

CosyVoice 音声デザイン

Qwen 音声デザイン

音声の一覧表示

リクエストボディ

CosyVoice

Qwen 音声デザイン

レスポンスボディ

CosyVoice

Qwen

音声詳細の照会

リクエストボディ

CosyVoice

Qwen 音声デザイン

レスポンスボディ

CosyVoice 音声デザイン

Qwen 音声デザイン

音声の削除

リクエストボディ

CosyVoice

Qwen 音声デザイン

レスポンスボディ

CosyVoice

Qwen

音声ステータスリファレンス