Alibaba Cloud Model Studio：聲音設計

CosyVoice 聲音設計

以下樣本示範如何通過文本描述建立 CosyVoice 音色並用於語音合成。

步驟一：通過聲音描述建立音色

調用API，通過voice_prompt參數傳入聲音描述，preview_text參數指定預覽音頻朗讀的文本。

curl -X POST 'https://{WorkspaceId}.cn-beijing.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": "沉穩的中年男性播音員，音色低沉渾厚，富有磁性，語速平穩，吐字清晰，適合用於新聞播報或紀錄片解說。",
        "preview_text": "各位聽眾朋友，大家好，歡迎收聽晚間新聞。",
        "prefix": "announcer"
    },
    "parameters": {
        "sample_rate": 24000,
        "response_format": "wav"
    }
}'

步驟二：使用設計音色合成語音

將上一步返回的voice_id值填入以下請求中。

# coding=utf-8

import dashscope
from dashscope.audio.tts_v2 import *
import os

# CosyVoice 聲音設計僅支援北京地區。擷取API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
# 若沒有配置環境變數，請用阿里雲百鍊API Key將下行替換為：dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')

# CosyVoice 聲音設計僅支援北京地區，以下為華北2（北京）地區的配置，調用時請將"{WorkspaceId}"替換為真實的業務空間ID，各地區的配置不同。
dashscope.base_websocket_api_url='wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference'

# 聲音設計、語音合成要使用相同的模型
model = "cosyvoice-v3.5-plus"
# 將voice參數替換為聲音設計產生的專屬音色
voice = "voice_id"

# 執行個體化SpeechSynthesizer，並在構造方法中傳入模型（model）、音色（voice）等請求參數
synthesizer = SpeechSynthesizer(model=model, voice=voice)
# 發送待合成文本，擷取二進位音頻
audio = synthesizer.call("今天天氣怎麼樣？")
# 首次發送文本時需建立 WebSocket 串連，因此首包延遲會包含串連建立的耗時
print('[Metric] requestId為：{}，首包延遲為：{}毫秒'.format(
    synthesizer.get_last_request_id(),
    synthesizer.get_first_package_delay()))

# 將音頻儲存至本地
with open('output.mp3', 'wb') as f:
    f.write(audio)

Qwen-TTS 聲音設計

以下樣本示範如何建立音色並用於語音合成。

import os
import requests
import dashscope

# ======= 常量配置 =======
DEFAULT_TARGET_MODEL = "qwen3-tts-vd-2026-01-26"  # 聲音設計、語音合成要使用相同的模型
DEFAULT_PREFERRED_NAME = "custom_voice"

# 聲音描述：用自然語言描述期望的聲音特質
VOICE_PROMPT = "年輕活潑的女性聲音，語速較快，帶有明顯的上揚語調，適合介紹時尚產品。"


def create_voice_by_design(voice_prompt: str,
                           target_model: str = DEFAULT_TARGET_MODEL,
                           preferred_name: str = DEFAULT_PREFERRED_NAME) -> str:
    """
    通過聲音描述建立音色，並返回 voice 參數
    """
    # 新加坡地區和北京地區的API Key不同。擷取API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
    # 若沒有配置環境變數，請用阿里雲百鍊API Key將下行替換為：api_key = "sk-xxx"
    api_key = os.getenv("DASHSCOPE_API_KEY")

    # 以下為新加坡地區的配置。
    url = "https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization"
    payload = {
        "model": "qwen-voice-design",
        "input": {
            "action": "create",
            "target_model": target_model,
            "preferred_name": preferred_name,
            "voice_prompt": voice_prompt,
            "preview_text": "大家好，歡迎來到我們的直播間！今天給大家推薦的這款產品真的超級好用。"
        },
        "parameters": {
            "sample_rate": 24000,
            "response_format": "wav"
        }
    }
    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"建立 voice 失敗: {resp.status_code}, {resp.text}")

    result = resp.json()
    preview_audio = result.get("output", {}).get("preview_audio")
    if preview_audio:
        import base64
        audio_data = base64.b64decode(preview_audio["data"])
        with open("preview_audio.wav", "wb") as f:
            f.write(audio_data)
        print(f"預覽音頻已儲存到 preview_audio.wav ({len(audio_data)} bytes)")

    try:
        return result["output"]["voice"]
    except (KeyError, ValueError) as e:
        raise RuntimeError(f"解析 voice 響應失敗: {e}")


if __name__ == '__main__':
    # 以下為新加坡地區的配置。
    dashscope.base_http_api_url = 'https://dashscope-intl.aliyuncs.com/api/v1'

    voice_id = create_voice_by_design(VOICE_PROMPT)
    print(f"建立的音色ID: {voice_id}")

    text = "大家好，歡迎來到我們的直播間！今天給大家推薦的這款產品真的超級好用。"
    response = dashscope.MultiModalConversation.call(
        model=DEFAULT_TARGET_MODEL,
        # 新加坡地區和北京地區的API Key不同。擷取API Key：https://www.alibabacloud.com/help/zh/model-studio/get-api-key
        # 若沒有配置環境變數，請用阿里雲百鍊API Key將下行替換為：api_key = "sk-xxx"
        api_key=os.getenv("DASHSCOPE_API_KEY"),
        text=text,
        voice=voice_id,
        stream=False
    )
    print(response)

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-design",
    "input": {
        "action": "create",
        "target_model": "qwen3-tts-vd-2026-01-26",
        "preferred_name": "custom_voice",
        "voice_prompt": "年輕活潑的女性聲音，語速較快，帶有明顯的上揚語調，適合介紹時尚產品。",
        "preview_text": "大家好，歡迎來到我們的直播間！今天給大家推薦的這款產品真的超級好用。"
    },
    "parameters": {
        "sample_rate": 24000,
        "response_format": "wav"
    }
}'

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": "大家好，歡迎來到我們的直播間！今天給大家推薦的這款產品真的超級好用。",
        "voice": "YOUR_VOICE_ID"
    }
}'

要求與限制

• 長度限制：voice_prompt的最大長度因模型而異：CosyVoice 不超過 500 個字元，Qwen-TTS 不超過 2048 個字元。

• 支援語言：描述文本僅支援中文和英文。

核心原則

1. 具體而非模糊：使用描繪聲音特質的詞語，如"低沉""清脆""語速偏快"，避免"好聽""普通"等主觀或模糊的表述。

2. 多維而非單一：好的描述通常涵蓋多個維度（如性別、年齡、情感等）。僅寫"女聲"過於寬泛，難以產生有特色的音色。

3. 客觀而非主觀：聚焦聲音的物理和感知特徵。例如，用"音調偏高，帶有活力"代替"我最喜歡的聲音"。

4. 原創而非模仿：描述聲音的特質，而非要求模仿特定人物（如名人、演員）。模型不支援模仿，且可能涉及著作權風險。

5. 簡潔而非冗餘：避免重複的同義字或無意義的修飾，確保每個詞都有明確作用。

描述維度參考

建議組合以下維度描述聲音，維度越豐富，產生效果越精準。

樣本

• 標準播音風格：吐字清晰精準，字正腔圓

• 年輕活潑的女性聲音，語速較快，帶有明顯的上揚語調，適合介紹時尚產品

• 沉穩的中年男性，語速緩慢，音色低沉有磁性，適合朗讀新聞或紀錄片解說

• 溫柔知性的女性，30 歲左右，語調平和，適合有聲書朗讀

• 可愛的兒童聲音，大約 8 歲女孩，說話略帶稚氣，適合動畫角色配音

音色配額與自動清理

• 音色總數限制：每個阿里雲百鍊帳號下，CosyVoice 與 Qwen-TTS 分別最多可建立 1000 個自訂音色（兩類配額獨立計算）。

• 自動清理規則：若單個音色在過去 1 年內未被用於任何語音合成請求，系統將自動刪除該音色。

計費規則

• CosyVoice：建立音色免費。

• Qwen-TTS：按 $0.2/個 計費，建立失敗不計費。

  免費額度（僅新加坡地區提供）：

  • 阿里雲百鍊開通後 90 天內，可享 10 次免費音色建立機會。

  • 建立失敗不佔用免費次數。

  • 刪除音色不會恢複免費次數。

  • 免費額度用完或超出 90 天有效期間後，建立音色將按 $0.2/個 的價格計費。

Q：相同的聲音描述每次產生的音色一樣嗎？

不一定。聲音設計具有隨機性，相同描述可能產生略有差異的音色。建議多次產生後試聽，擇優使用。

Q：聲音描述可以使用哪些語言？

目前聲音描述（voice_prompt）僅支援中文和英文，但產生的音色可用於合成多種語言的語音。

Q：聲音設計和聲音複刻有什麼區別？

聲音設計通過文本描述從零建立音色，無需音頻樣本，適合設計全新的聲音形象。聲音複刻基於真實音頻樣本複製音色，適合還原特定人物的聲音。詳情請參見聲音複刻。