声音设计 - 大模型服务平台百炼

通过自然语言描述创建自定义音色，试听预览后用于语音合成。

功能介绍

声音设计适用于快速原型验证、创意内容生产、游戏角色配音等场景。

说明创建音色无需提供音频样本。如需根据已有音频样本还原其声音，请使用声音复刻。

准备工作

获取 API Key，并将其配置到环境变量 DASHSCOPE_API_KEY。
获取业务空间 ID，将示例中的 YOUR_WORKSPACE_ID 替换为真实值。获取方式请参见选择地域、服务部署范围和接入域名。
安装 DashScope SDK 和 requests：
```
pip install -U dashscope requests
```

开始使用

Qwen-Audio-TTS 和 CosyVoice 使用相同的音色创建、预览和基础合成流程。以下以 qwen-audio-3.1-tts-flash 为例。

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

# 以下为华北2（北京）地域的配置，调用时请将"{WorkspaceId}"替换为真实的业务空间ID，各地域的配置不同。
client = dashscope.Client(
    # 若没有将API Key配置到环境变量中，请将下行替换为自己的API Key：api_key="sk-xxx"
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    workspace="{WorkspaceId}",
    region="cn-beijing",
)

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。
designed = client.audio.voice_design.create(
    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。",
    preferred_name="announcer",
    language="zh",
    parameters={"sample_rate": 24000, "response_format": "wav"},
)
voice_id = designed.voice
print(f"voice_id: {voice_id}")
with open("preview.wav", "wb") as f:
    f.write(base64.b64decode(designed.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。
audio = client.audio.tts.synthesize(
    "今天天气晴朗，适合外出散步。祝你度过愉快的一天。",
    model=target_model,
    voice=voice_id,
    format="wav",
    sample_rate=24000,
)
with open("output.wav", "wb") as f:
    f.write(audio)

运行示例后，preview.wav 为预览音频，output.wav 为合成音频。保存打印的音色 ID，后续可使用该 ID 调用语音合成。

HTTP 请求示例、可选参数和返回字段请参见声音设计 API 参考；合成参数请参见 Qwen-Audio-TTS 客户端事件。

声音描述指南

声音描述（voice_prompt）用于指定期望的声音特质。清晰、具体的描述有助于生成符合需求的音色。

描述建议

具体：使用“低沉”“清脆”“语速偏快”等声音特征，避免“好听”“普通”等模糊评价。
多维：组合性别、年龄、音调、语速和情感等维度，仅写“女声”难以描述出有特色的声音。
客观：描述可感知的声音特征，例如“音调偏高、充满活力”，避免“我最喜欢的声音”等主观表达。
原创：描述声音特质，不要求模仿名人、演员等特定人物。模型不支持指定模仿，相关请求也可能涉及版权风险。
简洁：减少重复的同义词和无意义的修饰。

可组合以下维度编写声音描述：

维度	描述示例
性别	男性、女性、中性
年龄	儿童 (5-12 岁)、青少年 (13-18 岁)、青年 (19-35 岁)、中年 (36-55 岁)、老年 (55 岁以上)
音调	高音、中音、低音、偏高、偏低
语速	快速、中速、缓慢、偏快、偏慢
情感	开朗、沉稳、温柔、严肃、活泼、冷静、治愈
特点	有磁性、清脆、沙哑、圆润、甜美、浑厚、有力
用途	新闻播报、广告配音、有声书、动画角色、语音助手、纪录片解说

描述示例

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

说明相同描述可能生成不同的音色。创建后先试听预览音频；需要比较效果时，可多次生成后择优使用。

音色管理

查询音色列表：查看已有的自定义音色。
查询音色详情：查看音色绑定的模型、状态等信息。
删除音色：删除不再使用的音色，释放配额。

接口与参数说明请参见声音设计 API 参考。

支持模型

华北2（北京）

使用该地域的 API Key 调用以下模型：

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
CosyVoice：cosyvoice-v3.5-plus、cosyvoice-v3.5-flash、cosyvoice-v3-plus、cosyvoice-v3-flash

说明CosyVoice 声音设计基于 FunAudioGen-VD 模型能力。

配额与限制

音色数量：每个阿里云百炼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。

说明达到上限后，新的声音复刻或声音设计创建请求将失败。需先删除不再使用的音色，释放配额后再创建。
声音描述：voice_prompt 仅支持中文和英文，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。
模型绑定：音色在创建时通过 target_model 绑定到语音合成模型，后续合成必须使用同一模型。

生成的音色可用于合成多种语言的语音，具体支持范围以目标语音合成模型为准。

计费说明

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。具体费用请参见模型计费。