aiData/WeiXin/TTS.md

Qwen-TTS声音复刻API参考
更新时间：2026-01-17 00:25:11
复制为 MD 格式
产品详情
我的收藏
声音复刻依托大模型进行特征提取，无需训练即可复刻声音。仅需提供 10~20 秒的音频，即可生成高度相似且听感自然的定制音色。声音复刻与语音合成是前后关联的两个步骤。本文档聚焦于介绍声音复刻的参数和接口细节，语音合成请参见实时语音合成-通义千问。

用户指南：关于模型介绍和选型建议请参见实时语音合成-通义千问。

音频要求
高质量的输入音频是获得优质复刻效果的基础。



项目

要求

支持格式

WAV (16bit)、MP3、M4A

音频时长

推荐10~20秒，最长不得超过60秒

文件大小

＜ 10 MB

采样率

≥ 24 kHz

声道

单声道

内容

音频必须包含至少3秒连续清晰朗读（无背景音），其余部分仅允许短暂停顿（≤2秒）；整段音频应避免背景音乐、噪音或其他人声，确保核心朗读内容质量；请使用正常说话音频作为输入，不要上传歌曲或唱歌音频，以确保复刻效果准确和可用

语言

中文（zh）、英文（en）、德语（de）、意大利语（it）、葡萄牙语（pt）、西班牙语（es）、日语（ja）、韩语（ko）、法语（fr）、俄语（ru）

快速开始：从复刻到合成
image
1. 工作流程
声音复刻与语音合成是紧密关联的两个独立步骤，遵循“先创建，后使用”的流程：

创建音色

调用创建音色接口，上传一段音频。系统会分析该音频，创建一个专属的复刻音色。此步骤必须指定target_model，声明创建的音色将由哪个语音合成模型驱动。

若已有创建好的音色（调用查询音色列表接口查看），可跳过这一步直接进行下一步。

使用音色进行语音合成

调用语音合成接口，传入上一步获得的音色。此步骤指定的语音合成模型必须和上一步的target_model一致。

2. 模型配置与准备工作
选择合适的模型并完成准备工作。

模型配置
声音复刻时需要指定以下两个模型：

声音复刻模型：qwen-voice-enrollment

驱动音色的语音合成模型：

qwen3-tts-vc-realtime-2026-01-15

qwen3-tts-vc-realtime-2025-11-27

准备工作
获取API Key：获取API Key，为安全起见，推荐将API Key配置到环境变量。

安装SDK：确保已安装最新版DashScope SDK。

准备待复刻音频：音频需符合音频要求。

3. 端到端示例
以下示例演示了如何在语音合成中使用声音复刻生成的专属音色，实现与原音高度相似的输出效果。

关键原则：声音复刻时，target_model（驱动音色的语音合成模型）必须与后续调用语音合成接口时指定的语音合成模型一致，否则会合成失败。

示例使用本地音频文件 voice.mp3 进行声音复刻，运行代码时，请注意替换。

PythonJava
 
# coding=utf-8
# Installation instructions for pyaudio:
# APPLE Mac OS X
#   brew install portaudio
#   pip install pyaudio
# Debian/Ubuntu
#   sudo apt-get install python-pyaudio python3-pyaudio
#   or
#   pip install pyaudio
# CentOS
#   sudo yum install -y portaudio portaudio-devel && pip install pyaudio
# Microsoft Windows
#   python -m pip install pyaudio

import pyaudio
import os
import requests
import base64
import pathlib
import threading
import time
import dashscope  # DashScope Python SDK 版本需要不低于1.23.9
from dashscope.audio.qwen_tts_realtime import QwenTtsRealtime, QwenTtsRealtimeCallback, AudioFormat

# ======= 常量配置 =======
DEFAULT_TARGET_MODEL = "qwen3-tts-vc-realtime-2026-01-15"  # 声音复刻、语音合成要使用相同的模型
DEFAULT_PREFERRED_NAME = "guanyu"
DEFAULT_AUDIO_MIME_TYPE = "audio/mpeg"
VOICE_FILE_PATH = "voice.mp3"  # 用于声音复刻的本地音频文件的相对路径

TEXT_TO_SYNTHESIZE = [
    '对吧~我就特别喜欢这种超市，',
    '尤其是过年的时候',
    '去逛超市',
    '就会觉得',
    '超级超级开心！',
    '想买好多好多的东西呢！'
]

def create_voice(file_path: str,
                 target_model: str = DEFAULT_TARGET_MODEL,
                 preferred_name: str = DEFAULT_PREFERRED_NAME,
                 audio_mime_type: str = DEFAULT_AUDIO_MIME_TYPE) -> str:
    """
    创建音色，并返回 voice 参数
    """
    # 新加坡和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
    # 若没有配置环境变量，请用百炼API Key将下行替换为：api_key = "sk-xxx"
    api_key = os.getenv("DASHSCOPE_API_KEY")

    file_path_obj = pathlib.Path(file_path)
    if not file_path_obj.exists():
        raise FileNotFoundError(f"音频文件不存在: {file_path}")

    base64_str = base64.b64encode(file_path_obj.read_bytes()).decode()
    data_uri = f"data:{audio_mime_type};base64,{base64_str}"

    # 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization
    url = "https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization"
    payload = {
        "model": "qwen-voice-enrollment", # 不要修改该值
        "input": {
            "action": "create",
            "target_model": target_model,
            "preferred_name": preferred_name,
            "audio": {"data": data_uri}
        }
    }
    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"创建 voice 失败: {resp.status_code}, {resp.text}")

    try:
        return resp.json()["output"]["voice"]
    except (KeyError, ValueError) as e:
        raise RuntimeError(f"解析 voice 响应失败: {e}")

def init_dashscope_api_key():
    """
    初始化 dashscope SDK 的 API key
    """
    # 新加坡和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
    # 若没有配置环境变量，请用百炼API Key将下行替换为：dashscope.api_key = "sk-xxx"
    dashscope.api_key = os.getenv("DASHSCOPE_API_KEY")

# ======= 回调类 =======
class MyCallback(QwenTtsRealtimeCallback):
    """
    自定义 TTS 流式回调
    """
    def __init__(self):
        self.complete_event = threading.Event()
        self._player = pyaudio.PyAudio()
        self._stream = self._player.open(
            format=pyaudio.paInt16, channels=1, rate=24000, output=True
        )

    def on_open(self) -> None:
        print('[TTS] 连接已建立')

    def on_close(self, close_status_code, close_msg) -> None:
        self._stream.stop_stream()
        self._stream.close()
        self._player.terminate()
        print(f'[TTS] 连接关闭 code={close_status_code}, msg={close_msg}')

    def on_event(self, response: dict) -> None:
        try:
            event_type = response.get('type', '')
            if event_type == 'session.created':
                print(f'[TTS] 会话开始: {response["session"]["id"]}')
            elif event_type == 'response.audio.delta':
                audio_data = base64.b64decode(response['delta'])
                self._stream.write(audio_data)
            elif event_type == 'response.done':
                print(f'[TTS] 响应完成, Response ID: {qwen_tts_realtime.get_last_response_id()}')
            elif event_type == 'session.finished':
                print('[TTS] 会话结束')
                self.complete_event.set()
        except Exception as e:
            print(f'[Error] 处理回调事件异常: {e}')

    def wait_for_finished(self):
        self.complete_event.wait()

# ======= 主执行逻辑 =======
if __name__ == '__main__':
    init_dashscope_api_key()
    print('[系统] 初始化 Qwen TTS Realtime ...')

    callback = MyCallback()
    qwen_tts_realtime = QwenTtsRealtime(
        model=DEFAULT_TARGET_MODEL,
        callback=callback,
        # 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：wss://dashscope-intl.aliyuncs.com/api-ws/v1/realtime
        url='wss://dashscope.aliyuncs.com/api-ws/v1/realtime'
    )
    qwen_tts_realtime.connect()
    
    qwen_tts_realtime.update_session(
        voice=create_voice(VOICE_FILE_PATH), # 将voice参数替换为复刻生成的专属音色
        response_format=AudioFormat.PCM_24000HZ_MONO_16BIT,
        mode='server_commit'
    )

    for text_chunk in TEXT_TO_SYNTHESIZE:
        print(f'[发送文本]: {text_chunk}')
        qwen_tts_realtime.append_text(text_chunk)
        time.sleep(0.1)

    qwen_tts_realtime.finish()
    callback.wait_for_finished()

    print(f'[Metric] session_id={qwen_tts_realtime.get_session_id()}, '
          f'first_audio_delay={qwen_tts_realtime.get_first_audio_delay()}s')
API参考
使用不同 API 时，请确保使用同一账号进行操作。

创建音色
上传用于复刻的音频，创建自定义音色。

URL

中国内地：

 
POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization
国际：

 
POST https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization
请求头





参数

类型

是否必须

说明

Authorization

string

支持

鉴权令牌，格式为Bearer <your_api_key>，使用时，将“<your_api_key>”替换为实际的API Key。

Content-Type

string

支持

请求体中传输的数据的媒体类型。固定为application/json。

消息体

包含所有请求参数的消息体如下，对于可选字段，在实际业务中可根据需求省略。

重要
注意区分如下参数：

model：声音复刻模型，固定为qwen-voice-enrollment

target_model：驱动音色的语音合成模型，须和后续调用语音合成接口时使用的语音合成模型一致，否则合成会失败

 
{
    "model": "qwen-voice-enrollment",
    "input": {
        "action": "create",
        "target_model": "qwen3-tts-vc-realtime-2026-01-15",
        "preferred_name": "guanyu",
        "audio": {
            "data": "https://xxx.wav"
        },
        "text": "可选项，填入audio.data对应的文本",
        "language": "可选项，填入audio.data对应的语种，如zh"
    }
}
请求参数






参数

类型

默认值

是否必须

说明

model

string

-

支持

声音复刻模型，固定为qwen-voice-enrollment。

action

string

-

支持

操作类型，固定为create。

target_model

string

-

支持

驱动音色的语音合成模型，支持的模型有：

qwen3-tts-vc-realtime-2026-01-15

qwen3-tts-vc-realtime-2025-11-27

必须与后续调用语音合成接口时使用的语音合成模型一致，否则合成会失败。

preferred_name

string

-

支持

为音色指定一个便于识别的名称（仅允许数字、大小写字母和下划线，不超过16个字符）。建议选用与角色、场景相关的标识。

该关键字会在复刻的音色名中出现，例如关键字为“guanyu”，最终音色名为“qwen-tts-vc-guanyu-voice-20250812105009984-838b”
audio.data

string

-

支持

用于复刻的音频（录制时需遵循录音操作指南，音频需满足音频要求）。

可通过以下两种方式提交音频数据：

Data URL

格式：data:<mediatype>;base64,<data>

<mediatype>：MIME类型

WAV：audio/wav

MP3：audio/mpeg

M4A：audio/mp4

<data>：音频转成的Base64编码的字符串

Base64编码会增大体积，请控制原文件大小，确保编码后仍小于10MB

示例：data:audio/wav;base64,SUQzBAAAAAAAI1RTU0UAAAAPAAADTGF2ZjU4LjI5LjEwMAAAAAAAAAAAAAAA//PAxABQ/BXRbMPe4IQAhl9

点击查看示例代码

音频URL（推荐将音频上传至OSS）

文件大小不超过10MB

URL必须公网可访问且无需鉴权

text

string

-

不支持

与audio.data音频内容相匹配的文本。

传入该参数后，服务端会对比音频与该文本的差异，若差异过大，将返回Audio.PreprocessError。

language

string

-

不支持

audio.data音频对应的语种。

支持zh（中文）、en（英文）、de（德语）、it（意大利语）、pt（葡萄牙语）、es（西班牙语）、ja（日语）、ko（韩语）、fr（法语）、ru（俄语）。

若使用该参数，设置的语种要和实际用于复刻的音频的语种一致。

响应参数

点击查看响应示例

需关注的参数如下：




参数

类型

说明

voice

string

音色名称，可直接用于语音合成接口的voice参数。

target_model

string

驱动音色的语音合成模型，支持的模型有：

qwen3-tts-vc-realtime-2026-01-15

qwen3-tts-vc-realtime-2025-11-27

必须与后续调用语音合成接口时使用的语音合成模型一致，否则合成会失败。

request_id

string

Request ID。

count

integer

本次请求实际计入费用的“创建音色”次数，本次请求的费用为 
count×0.01
元。

创建音色时，count恒为1。

示例代码

重要
注意区分如下参数：

model：声音复刻模型，固定为qwen-voice-enrollment

target_model：驱动音色的语音合成模型，须和后续调用语音合成接口时使用的语音合成模型一致，否则合成会失败

cURLPythonJava
若未将API Key配置到环境变量，需将示例中的$DASHSCOPE_API_KEY替换为实际的API Key。

 
# ======= 重要提示 =======
# 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization
# 新加坡地域和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# === 执行时请删除该注释 ===

curl -X POST https://dashscope.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": "guanyu",
        "audio": {
            "data": "https://xxx.wav"
        }
    }
}'
查询音色列表
分页查询已创建的音色列表。

URL

中国内地：

 
POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization
国际：

 
POST https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization
请求头





参数

类型

是否必须

说明

Authorization

string

支持

鉴权令牌，格式为Bearer <your_api_key>，使用时，将“<your_api_key>”替换为实际的API Key。

Content-Type

string

支持

请求体中传输的数据的媒体类型。固定为application/json。

消息体

包含所有请求参数的消息体如下，对于可选字段，在实际业务中可根据需求省略。

重要
model：声音复刻模型，固定为qwen-voice-enrollment，请勿修改。

 
{
    "model": "qwen-voice-enrollment",
    "input": {
        "action": "list",
        "page_size": 2,
        "page_index": 0
    }
}
请求参数






参数

类型

默认值

是否必须

说明

model

string

-

支持

声音复刻模型，固定为qwen-voice-enrollment。

action

string

-

支持

操作类型，固定为list。

page_index

integer

0

不支持

页码索引。取值范围：[0, 1000000]。

page_size

integer

10

不支持

每页包含数据条数。取值范围：[0, 1000000]。

响应参数

点击查看响应示例

需关注的参数如下：




参数

类型

说明

voice

string

音色名称，可直接用于语音合成接口的voice参数。

gmt_create

string

创建音色的时间。

target_model

string

驱动音色的语音合成模型，支持的模型有：

qwen3-tts-vc-realtime-2026-01-15

qwen3-tts-vc-realtime-2025-11-27

必须与后续调用语音合成接口时使用的语音合成模型一致，否则合成会失败。

request_id

string

Request ID。

count

integer

本次请求实际计入费用的“创建音色”次数，本次请求的费用为 
count×0.01
元。

查询音色不计费，因此count恒为0。

示例代码

重要
model：声音复刻模型，固定为qwen-voice-enrollment，请勿修改。

cURLPythonJava
若未将API Key配置到环境变量，需将示例中的$DASHSCOPE_API_KEY替换为实际的API Key。

 
# ======= 重要提示 =======
# 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization
# 新加坡地域和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# === 执行时请删除该注释 ===

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization' \
--header 'Authorization: Bearer $DASHSCOPE_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen-voice-enrollment",
    "input": {
        "action": "list",
        "page_size": 10,
        "page_index": 0
    }
}'
删除音色
删除指定音色，释放对应额度。

URL

中国内地：

 
POST https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization
国际：

 
POST https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization
请求头





参数

类型

是否必须

说明

Authorization

string

支持

鉴权令牌，格式为Bearer <your_api_key>，使用时，将“<your_api_key>”替换为实际的API Key。

Content-Type

string

支持

请求体中传输的数据的媒体类型。固定为application/json。

消息体

包含所有请求参数的消息体如下，对于可选字段，在实际业务中可根据需求省略：

重要
model：声音复刻模型，固定为qwen-voice-enrollment，请勿修改。

 
{
    "model": "qwen-voice-enrollment",
    "input": {
        "action": "delete",
        "voice": "yourVoice"
    }
}
请求参数






参数

类型

默认值

是否必须

说明

model

string

-

支持

声音复刻模型，固定为qwen-voice-enrollment。

action

string

-

支持

操作类型，固定为delete。

voice

string

-

支持

待删除的音色。

响应参数

点击查看响应示例

需关注的参数如下：




参数

类型

说明

request_id

string

Request ID。

count

integer

本次请求实际计入费用的“创建音色”次数，本次请求的费用为 
count×0.01
元。

删除音色不计费，因此count恒为0。

示例代码

重要
model：声音复刻模型，固定为qwen-voice-enrollment，请勿修改。

cURLPythonJava
若未将API Key配置到环境变量，需将示例中的$DASHSCOPE_API_KEY替换为实际的API Key。

 
# ======= 重要提示 =======
# 以下为北京地域url，若使用新加坡地域的模型，需将url替换为：https://dashscope-intl.aliyuncs.com/api/v1/services/audio/tts/customization
# 新加坡地域和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
# === 执行时请删除该注释 ===

curl --location --request POST 'https://dashscope.aliyuncs.com/api/v1/services/audio/tts/customization' \
--header 'Authorization: Bearer $DASHSCOPE_API_KEY' \
--header 'Content-Type: application/json' \
--data '{
    "model": "qwen-voice-enrollment",
    "input": {
        "action": "delete",
        "voice": "yourVoice"
    }
}'
语音合成
如何使用声音复刻生成的专属音色合成个性化的声音，请参见快速开始：从复刻到合成。

用于声音复刻的语音合成模型（如 qwen3-tts-vc-realtime-2026-01-15）为专用模型，仅支持使用复刻生成的音色，不支持Chelsie、Serena、Ethan、Cherry等公共预设音色。

音色配额与自动清理规则
总数限制：1000个音色/账号

当前接口不提供音色数量查询功能，可通过调用查询音色列表接口自行统计音色数目
自动清理：若单个音色在过去一年内未被用于任何语音合成请求，系统将自动将其删除

计费说明
声音复刻和语音合成分开计费：

声音复刻：创建音色按0.01 元/个计费，创建失败不计费

说明
免费额度说明（仅中国站北京地域和国际站新加坡地域有免费额度）：

阿里云百炼开通后90天内，可享1000次免费音色创建机会。

创建失败不占用免费次数。

删除音色不会恢复免费次数。

免费额度用完或超出 90 天有效期后，创建音色将按0.01 元/个的价格计费。

使用复刻生成的专属音色进行语音合成：按量（文本字符数）计费，详情请参见实时语音合成-通义千问

版权与合法性
您需对所提供声音的所有权及合法使用权负责，请注意阅读服务协议。

录音操作指南
录音设备
推荐使用具备降噪功能的麦克风，或在安静环境下使用手机近距离录音，以保证音源纯净。

录音环境
场地
建议在 10 平方米以内的小型封闭空间录音。

优先选择配有吸音材料（如吸音棉、地毯、窗帘）的房间。

避免空旷大厅、会议室、教室等高混响场所。

噪音控制
室外噪音：关闭门窗，避免交通、施工等干扰。

室内噪音：关闭空调、风扇、日光灯镇流器等设备；可通过手机录制环境音并放大播放，识别潜在噪音源。

混响控制
混响会导致声音模糊、清晰度下降。

减少光滑表面反射：拉上窗帘、打开衣柜门、铺放衣物或床单覆盖桌面/柜面。

利用不规则物体（如书架、软包家具）实现声波漫反射。

录音文案
文案内容灵活，建议与目标应用场景一致（例如，若用于客服场景，文案应为客服对话风格），但必须确保不包含任何敏感或非法词汇（如政治、色情、暴力相关内容），否则会导致复刻失败。

避免短句（如“你好”、“是的”），应使用完整句子。

保持语义连贯，朗读时避免频繁停顿（建议至少连续 3 秒无中断）。

可带入目标情绪（如亲切、严肃），但需避免过度夸张的戏剧化朗读，保持语调自然。

操作建议
以普通卧室为例：

关闭门窗，隔绝外部噪音。

关闭空调、电扇等电器。

拉上窗帘，减少玻璃反射。

在桌面铺放衣物或毛毯，降低桌面反射。

提前熟悉文案，设定角色语气，自然演绎。

与录音设备保持约 10 厘米距离，避免喷麦或信号过弱。