Design de voz

Criar vozes personalizadas de descrições de texto para uso com CosyVoice Modelos.

Depois de criar uma voz, use o nome de voz retornado com [CosyVoice TTS] (/developer-guides/speech/tts) ou [Realtime streaming TTS] (/developer-guides/speech/realtime-streaming).

O target_model Em design de voz deve combinar com model em síntese. Modelos desiguais causam falhas.

Como funciona

1. Escreva uma descrição de voz.voice_prompt) e texto de pré-visualização (preview_text).
2. Envie um pedido de criação de voz com seu target_model.
3. A API devolve um nome de voz e áudio de visualização codificados pela Base64. Descodificar a string Base64 para obter o arquivo de áudio (formato WAV).
4. Ouça a prévia. Se satisfeito, use o nome da voz para síntese. Caso contrário, crie uma nova voz.

-Começo rápido.

Pré-requisitos

1. [Pegue uma chave API] (/api-reference/preparation/api-key) e definir o DASHSCOPE_API_KEY Variável ambiente.

Ponto final

Todas as operações de design de voz usam um único ponto final:

POST https://maas.qwencloudapi.com/api/v1/services/audio/tts/customization

CosyVoice Design de voz

O exemplo a seguir mostra como criar um CosyVoice voz de uma descrição de texto e usá-la para a síntese de fala.

CosyVoice O Voice Design está disponível apenas na região de Pequim (série v3.5 e série v3).

Passo 1: Crie uma voz a partir de uma descrição

Ligue para a API com dois parâmetros: voice_prompt para a descrição da voz, e preview_text para o texto lido em voz alta no áudio da prévia.

curl -X POST 'https://maas.qwencloudapi.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"
    },
    "parameters": {
        "sample_rate": 24000,
        "response_format": "wav"
    }
}'

Esquema: discurso sintético com a voz projetada

No seguinte pedido, use o voice_id O valor retornado no passo anterior.

# coding=utf-8
import dashscope
from dashscope.audio.tts_v2 import *
import os
# Get an API key: https://www.alibabacloud.com/help/en/model-studio/get-api-key
# If you have not configured the environment variable, replace the following line with your API key: dashscope.api_key = "sk-xxx"
dashscope.api_key = os.environ.get('DASHSCOPE_API_KEY')
dashscope.base_websocket_api_url='wss://maas.qwencloudapi.com/api-ws/v1/inference'
# Use the same model for voice design and speech synthesis
model = "cosyvoice-v3.5-plus"
# Replace the voice parameter with the custom voice generated by voice design
voice = "voice_id"
# Instantiate SpeechSynthesizer, passing the model, voice, and other request parameters in the constructor
synthesizer = SpeechSynthesizer(model=model, voice=voice)
# Send text for synthesis and get binary audio
audio = synthesizer.call("What is the weather like today?")
# Establishing the WebSocket connection is required when sending text for the first time, so the first-package latency includes the connection setup time
print('[Metric] requestId: {}, first-package latency: {} ms'.format(
  synthesizer.get_last_request_id(),
  synthesizer.get_first_package_delay()))
# Save the audio to a local file
with open('output.mp3', 'wb') as f:
  f.write(audio)

Para a síntese em tempo real com vozes personalizadas, veja [Transmissão em tempo real TTS] (/developer-guides/speech/realtime-streaming). Para parâmetros completos da API e mais operações (lista, consulta, delete), veja a referência Voice design API.

Modelos apoiados.

O design de voz usa um modelo de design e um modelo de síntese de alvos.

CosyVoice:

• ** Modelo de design de voz**: voice-enrollment
• ** Modelos de síntese de ovos**: cosyvoice-v3.5-plus (Somente Pequim) cosyvoice-v3.5-flash (Somente Pequim) cosyvoice-v3-plus (Somente Pequim) cosyvoice-v3-flash (Somente Pequim). Use vozes projetadas com [CosyVoice TTS] (/developer-guides/speech/tts).

Para IDs de modelos e versões de instantâneos, veja [Modelos de texto para fala] (/developer-guides/speech/tts-models).

Linguagens apoiadas

voice_prompt Só suporta chinês e inglês. O language O parâmetro deve ser igual ao preview_text - Linguagem.

Escrevam descrições de voz eficazes.

Uma descrição de voz (voice_prompt) diz ao modelo o que a voz gerar. Combine sexo, idade, tom e usar o caso para definir uma voz distinta.

Restrições

• Comprimento máximo: 500 caracteres.
• Línguas: chinês e inglês apenas.

Dimensões da descrição

Dicas

1. Use qualidades concretas como "deep", "crisp" ou "fast-paced". Evite termos vagos como "bom" ou "normal".
2. "Voz feminina" é muito ampla.
3. Foque-se em características físicas e perceptivas. Escreva "alto e energético" em vez de "minha voz favorita".
4. • Descreva as qualidades de voz diretamente. A imitação de celebridades não é apoiada e envolve riscos de direitos autorais.
5. Cada palavra deve servir a um propósito. Evite sinônimos e intensificadores sem sentido.

Exemplos

Boa descrição:

• "Uma voz feminina jovem e animada com um ritmo rápido e inflexão para cima, adequada para apresentações de produtos de moda."
• "Uma voz calma, de meia-idade, masculina, com um ritmo lento e tom magnético profundo, adequado para notícias ou narração documental."
• "A voz de uma criança bonita, por volta dos 8 anos, com um tom um pouco infantil, adequado para vozes de personagens de animação."

Descrições ineficazes:

Cota e faturamento

Quota de voz e limpeza automática.

Todos os limites de voz QwenCloud Conta tem um limite de 1.000 vozes personalizadas para CosyVoice.

Se uma voz não é usada em nenhum pedido de síntese de fala por um ano, o sistema automaticamente a apaga.

Regras de faturamento

Os preços listados abaixo são os preços de lista. Para promoções atuais e preços com desconto, visite o [Modelo Marketplace] (https://www.qwencloud.com/models).

• **CosyVoiceDesign de voz é grátis.

Códigos de erro.

Se uma ligação falhar, veja [Mensagens de erro] (/api-reference/preparation/error-messages).

Erros comuns de design de voz:

Próximos passos

• Voz design API referência (CosyVoice) -- CosyVoice Parâmetros de API de design de voz e formato de resposta
• [Transmissão em tempo real TTS] (/developer-guides/speech/realtime-streamingUse vozes personalizadas para síntese em tempo real.
• [Pegue uma chave API] (/api-reference/preparation/api-key-- Configurar autenticação