CosyVoice / Qwen-TTS 声音设计指南

数据来源:阿里云官方声音设计文档, 用户下载到 tts音色/声音设计-...html 后 playwright 渲染抽取。文档生成时间:2026-07。

一、什么是"声音设计"

声音设计(Voice Design) 是阿里云百炼提供的一条合成新音色的路径,无需训练数据,纯文本描述即可生成音色。

适用场景:

快速原型验证 — 给 AI 助手 / 游戏角色试不同人设
创意内容生产 — 给虚拟主播 / 短视频创作者设计独特声音
游戏角色配音 — 为 NPC 创造专属声音

和声音复刻的区别: | 维度 | 声音设计 | 声音复刻 | |------|---------|----------| | 输入 | 自然语言描述 | 真实音频样本 | | 是否需要录音 | ❌ 不需要 | ✅ 需要 | | 适合 | 创造新声音形象 | 还原特定人声 | | 自由度 | 由 Prompt 决定(可多次尝试) | 固定基于样本 |

二、支持的模型与地域

CosyVoice 系列

✅ cosyvoice-v3.5-plus(北京)
✅ cosyvoice-v3.5-flash(北京)
✅ cosyvoice-v3-plus(北京)
✅ cosyvoice-v3-flash(北京)

⚠️ CosyVoice 声音设计仅支持北京地域,其他地域不可用。

Qwen-TTS 系列

✅ qwen3-tts-vd-2026-01-26(北京 — 最新快照)
✅ qwen3-tts-vd-realtime-2026-01-15(北京 + 新加坡)
✅ qwen3-tts-vd-realtime-2025-12-16(快照版)

声音描述长度上限:2048 字符(Qwen-TTS)。

三、声音描述 prompt 怎么写

1. 核心规则(必须遵守)

字数限制 100 字符(汉字按 2,其他按 1)
描述语只支持中文/英文
具体而非模糊:用"低沉 / 清脆 / 语速偏快"
多维而非单一:组合"性别 + 年龄 + 情感 + 用途"
客观而非主观:用"音调偏高,带有活力"
原创而非模仿:不要求模仿特定人物(版权风险)
简洁而非冗余

2. 7 个推荐描述维度

维度	可选值
性别	男性 / 女性 / 中性
年龄	儿童(5-12) / 青少年(13-18) / 青年(19-35) / 中年(36-55) / 老年(55+)
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

3. 官方示例

✅ 标准播音风格:吐字清晰精准,字正腔圆

✅ 年轻活泼女性:语速较快,带有明显的上扬语调,适合介绍时尚产品

✅ 沉稳中年男性:语速缓慢,音色低沉有磁性,适合朗读新闻或纪录片解说

✅ 温柔知性女性:30 岁左右,语调平和,适合有声书朗读

✅ 可爱儿童:大约 8 岁女孩,说话略带稚气,适合动画角色配音

4. 同一描述 → 不同结果(有随机性)

阿里云官方原话:"声音设计具有随机性,相同描述可能生成略有差异的音色。建议多次生成后试听,择优使用。"

→ 产品设计建议:让用户预览 + 重生成至少 2-3 次,挑最好的保存。

四、CosyVoice 声音设计完整流程

步骤 1 — 通过文本描述创建音色

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。",
      "prefix": "announcer"
    },
    "parameters": {
      "sample_rate": 24000,
      "response_format": "wav"
    }
  }'

{
  "output": {
    "voice_id": "voice_announcer_xxxxxx",
    "preview_audio_url": "https://...mp3"
  }
}

步骤 2 — 用创建的 voice_id 合成语音

import dashscope, os
from dashscope.audio.tts_v2 import SpeechSynthesizer

dashscope.api_key = os.environ['DASHSCOPE_API_KEY']
dashscope.base_websocket_api_url = 'wss://{WorkspaceId}.cn-beijing.maas.aliyuncs.com/api-ws/v1/inference'

# 关键:声音设计、语音合成要使用相同的模型
synthesizer = SpeechSynthesizer(
    model='cosyvoice-v3.5-plus',          # ← 同一个模型
    voice='voice_announcer_xxxxxx',        # ← 步骤1返回的 voice_id
)
audio = synthesizer.call("今天天气怎么样？")
with open('output.mp3', 'wb') as f:
    f.write(audio)

Qwen-TTS 流程类似

import dashscope, os
from dashscope.audio.tts_v2 import SpeechSynthesizer

VOICE_PROMPT = "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。"
TARGET_MODEL = "qwen3-tts-vd-2026-01-26"  # 声音设计 / 合成 必须用同一个

# 创建音色
from dashscope.audio.tts_v2 import VoiceEnrollment
resp = VoiceEnrollment.create_voice(
    target_model=TARGET_MODEL,
    voice_prompt=VOICE_PROMPT,
    preferred_name='my_voice',
)
voice_id = resp.output.voice_id

# 用新音色合成
synth = SpeechSynthesizer(model=TARGET_MODEL, voice=voice_id)
audio = synth.call("你好,世界")

五、配额与计费

限额

每个账号最多 1000 个自定义音色(CosyVoice / Qwen-TTS 各自独立计算)
1 年未使用自动清理

计费

模型	创建费用
CosyVoice	✅ 免费
Qwen-TTS	0.2 元/个(创建失败不收费)

新用户免费额度

开通后 90 天内可享 10 次免费音色创建
仅限北京地域
创建失败不占用免费次数

六、产品设计建议(给"用户选音色"功能的)

系统音色 vs 自定义音色(用户视角)

音色选择 (UI)
├── 系统音色(开箱即用)
│   ├── CosyVoice v3-flash 系统音色(88 个)
│   ├── Qwen3-TTS 系统音色(48 个)
│   └── Edge TTS 系统音色(316 个)
└── 自定义音色(声音设计创建)
    ├── 我设计过(列表显示)
    └── 现在设计一个

关键 UX 设计要点

每次创建都先试听预览,用户满意再保存(避免一次性扣费 + 用户后悔)
保留多次创建的能力(同一个 prompt 可能产生 2-3 个不同结果,用户挑最好的)
失败时显式提示(返回 "preview_text 没有发音"/"网络错误" 等)
支持删除(释放配额,避免 1000 个上限)
建议首选 CosyVoice(免费 + 支持中英双语描述)

七、与现有项目整合的位置

后端服务

新建 server/src/services/voice-design.service.ts(声音设计 API 封装)
复用 server/.env 里的 DASHSCOPE_API_KEY(API Key 已配好)
新建控制器路由:
- POST /api/tts/voice-design/preview(创建 + 预览,不保存)
- POST /api/tts/voice-design/save(保存到账户)
- GET /api/tts/voice-design/list(查已有自定义音色)
- DELETE /api/tts/voice-design/:voice_id(删除)
- 所有路由要强制 target_model = voice_id 创建时的模型(否则音色不匹配)

前端 UI(后续开发)

现有音色选择器旁加"+"按钮 → 进入声音设计向导:
1. 选模型(CosyVoice v3.5-plus 推荐免费)
2. 输入描述(或选模板示例)
3. 调 /preview 接口拿预览音频播放
4. "重新生成"重复 3
5. "保存"调 /save 接口
音色保存后存 Book.book.voiceId(已存在的字段,扩展支持用户自定义音色 ID)

与"语言选择"功能的关系

声音描述语言:只支持中/英文(voice_prompt 字段)
但生成的音色 可以用于合成多语言语音(比如生成"温柔女声"后,可以用来合成英语/日语文本)
如果"用户选日语 + 声音设计" → prompt 用中英文写,生成新音色后合成日语文本

八、与 `cosyvoice-voice-list` 系统音色的本质区别

维度	系统音色(`voice-list`)	声音设计(`voice-design`)
来源	阿里云预训练	用户文本描述实时生成
数量	216 个(CosyVoice)/ 48 个(Qwen)	上限 1000 个/账号
稳定性	确定性,固定可重现	有随机性,需试听择优
成本	0	CosyVoice 免费 / Qwen-TTS 0.2 元
速度	立即可用	1-5 秒生成预览
后端代码	`ALIYUN_VOICE_MAP` 直接列名字	需要 API 调用 + 用户保存

九、迁移指引

实现完整"声音设计"功能的预估工作量:

后端(2-3 天):
- voice-design.service.ts 封装阿里云 API
- 5 个 REST 路由
- 自定义音色列表查询(整合到现有 pickTtsVendor() 路由)
前端(2-3 天):
- 声音设计向导页(4 步流程)
- 预览音频播放器(网页 audio 标签)
- 用户自定义音色列表管理
测试(1 天):每种模型 + 各种 prompt 类型的端到端

完整的功能开发建议在"用户选语言"功能稳定后再做(用户反映"想要更多音色")时启动。

cosyvoice-voice-design.md 9.1 KB Permalink Histórico Raw