使用火山引擎声音复刻大模型时，需先获取音色资源并训练音色，从而让 AI 使用专属音色对话。根据使用的模型来源不同，音色和复刻声音方式不同。 ## 公共声音复刻大模型使用公共声音复刻大模型时，需要在 AI 音视频互动方案控制台购买并复刻音色，才能使用。 ### 定义 * 以下场景使用的是公共声音复刻大模型资源：使用的接口为 [StartVoiceChat（2025-06-01）](https://www.volcengine.com/docs/6348/1558163)，且未在 `TTSConfig.ProviderParams` 中传入`Credential.AppId `和 `Credential.Token`，或未传入 `app` 参数。 * 声音复刻的音色资源为付费功能，具体计费说明请参见 [AI 音视频互动方案计费](https://www.volcengine.com/docs/6348/2123214)。 ### 使用方式 #### 购买资源并复刻音色 1. （可选）准备音频文件。支持在线录音或上传本地音频文件两种方式提供用于复刻的音频素材。使用本地音频文件时，您需提前准备符合[附录：本地音频要求](https://www.volcengine.com/docs/6348/2137637#ca93b62f)的音频文件。 2. 购买声音复刻资源。前往[资源包购买](https://console.volcengine.com/conversational-ai/purchase)，购买声音复刻资源包。音色 1.0 和 2.0 价格相同，您可以参考以下信息选购： > 声音复刻资源包使用规则，请参见[声音复刻资源](https://www.volcengine.com/docs/6348/2123214#01658665)。 |对比维度 |音色 2.0（推荐）

> 对应声音复刻大模型 2.0 |音色 1.0

> 对应声音复刻大模型 1.0 | |---|---|---| |特性 |情感表现力更强，能够更好地模拟真人的语调和情感。 |延迟更低、支持的语种更丰富。 | |支持的输入模式 |流式输入流式输出 |流式输入流式输出、非流式输入流式输出 | |支持的语种 |中文、英语 |中文、英语、日语、西班牙语、印尼语、葡萄牙语 | 3. 训练并生成音色。通过控制台训练 1. 前往[控制台 > 复刻音色](https://console.volcengine.com/conversational-ai/myVoice/voiceCloning)。 2. 在页面顶部，根据您购买的资源包版本，切换到 **1.0 音色** 或 **2.0 音色** 页签。 3. 将光标悬停在音色卡片上，单击浮现的 **复刻音色** 按钮。 ![图片](https://p9-arcosite.byteimg.com/obj/tos-cn-i-goo7wpa0wc/c245bd0d41e3431289227ab203147d8e) 4. 在弹出的窗口中，按照界面提示，选择音色**语种**（默认为中文），并提供用于训练的音频素材。支持**在线录音**和**上传本地音频**两种方式。 ![图片](https://p9-arcosite.byteimg.com/obj/tos-cn-i-goo7wpa0wc/26dce3d13a1f4182b099768b8eba9cc2) 5. 音频上传/录制完成后，您可以点击播放按钮试听音频，检查其是否清晰、无噪音。确认无误后，勾选同意相关协议，并单击 **使用该声音复刻 ** 启动训练。 ![图片](https://p9-arcosite.byteimg.com/obj/tos-cn-i-goo7wpa0wc/cff851da03b142029399be3b5616c387) 训练完成后，可单击音色卡片上的声音图标试听最终效果。通过 OpenAPI 训练调用 [TrainTTSVoiceType](https://www.volcengine.com/docs/6348/2123296?lang=zh) 接口，训练并生成音色。 ```JSON POST https://rtc.volcengineapi.com?Action=TrainTTSVoiceType&Version=2020-12-01 { "SpeakName": "my_voice", "SpeakId": "S_VA***z1", "AudioBytesStr": "UklGRi...（Base64 编码后的音频数据）", // AudioDownloadUrl: "https://your-domain.com/audio/sample.wav", 也可以通过 URL 链接传入音频数据，两者二选一 "AudioFormat": "wav", "Language": 0, "ModelType": "1" } ``` 4. 使用复刻音色。训练完成后，在音色卡片上复制生成的 **声音 ID**（例如 `S_J9***t1`）。在调用 `StartVoiceChat` 接口时传入（确保 `ResourceId` 与您购买的音色版本匹配），即可让您的 AI 使用这个专属音色进行对话。 ```JSON { "TTSConfig": { "Provider": "volcano_bidirection", "ProviderParams": { "audio": { "voice_type": "S_J9****t1" // 填入您复制的声音 ID }, "ResourceId": "seed-icl-2.0" // 确保与您的音色版本匹配，1.0 音色使用 "seed-icl-1.0"，2.0 音色使用 "seed-icl-2.0" } } } ``` #### 重新训练音色通过控制台训练如果您对已生成的音色效果不满意，或需要更换音色，可以重新训练音色。

注意

重新训练后的音色会覆盖原音色，此操作不可逆。

使用同一个音色 ID 最多可训练 10 次，每次重新训练都会消耗一次训练次数。

1. 在 [复刻音色](https://console.volcengine.com/conversational-ai/myVoice/voiceCloning) 页面，找到您希望更新的音色卡片。 2. 单击 **编辑** 按钮。 3. 后续流程与首次创建音色时的 **步骤2** 相同。您需要重新提供音频素材，并确认开始训练。重新训练后，音色 ID 不会变，无需替换代码中的音色 ID。通过 OpenAPI 训练调用 [TrainTTSVoiceType](https://www.volcengine.com/docs/6348/2123296?lang=zh) 接口，重新传入音频数据训练。 ```JSON POST https://rtc.volcengineapi.com?Action=TrainTTSVoiceType&Version=2020-12-01 { "SpeakName": "my_voice", "SpeakId": "S_VA***z1", "AudioBytesStr": "UklGRi...（Base64 编码后的音频数据）", // AudioDownloadUrl: "https://your-domain.com/audio/sample.wav", 也可以通过 URL 链接传入音频数据，两者二选一 "AudioFormat": "wav", "Language": 0, "ModelType": "1" } ``` ## 自行开通的声音复刻大模型 ### 定义以下任一场景使用的都是自行开通的声音复刻大模型： * 使用的接口为 [实时对话式 AI-StartVoiceChat（2024-12-01）](https://www.volcengine.com/docs/6348/1558163) * 使用接口为 [StartVoiceChat（2025-06-01）](https://www.volcengine.com/docs/6348/1558163)，且在 `TTSConfig.ProviderParams` 中传入`Credential.AppId `和 `Credential.Token`，或传入了 `app` 参数。 ### 使用方式 1. **获取音色**：请参见 [声音复刻下单及使用指南](https://www.volcengine.com/docs/6561/1167802)。 2. **复刻音色**： * 通过 API 复刻：[声音复刻API](https://www.volcengine.com/docs/6561/1305191?lang=zh)。 * 通过控制台复刻：可前往[豆包语音控制台-声音复刻-复刻音色](https://console.volcengine.com/speech/new/experience/clone)。 3. **使用复刻音色**。训练完成后，在豆包语音控制台复制生成的 **声音 ID**（例如 `S_N****T7k1`）。在调用 `StartVoiceChat` 接口时传入，即可让您的 AI 使用这个专属音色进行对话。具体配置，请参见[火山声音复刻大模型](https://www.volcengine.com/docs/6348/1581713#e37c7a7f)。 ## 附录：本地音频要求上传的音频文件素材应符合以下要求： |**类别** |**说明** | |---|---| |文件格式 |wav（推荐）、mp3、m4a。 | |文件大小 |最大不超过 3MB。每次最多允许上传 1 个音频文件。 | |音频时长 |建议 10s~30s，过短可能导致相似度不足。 | |语种 |* 音色 1.0：中文、英语、日语、西班牙语、印尼语、葡萄牙语

* 音色 2.0：中文、英语。 | |音频录制 |* 录制环境

选择安静的空间，建议将麦克风放置在离说话人 50 厘米以内的位置，推荐使用单声道录制。

* 发声技巧

* 保持自然的发声状态，避免刻意改变声线、压低嗓音或使用气泡音。

* 确保每个字都发音标准、完整，避免出现吞音、口误或含糊不清的情况。

* 避免使用完全平淡的语调进行朗读，自然的语调变化、节奏停顿和音量强弱能让复刻出的声音更具情感。

* 音频内容

确保录音中只包含一个人的声音。不要包含背景人声、音乐或其他环境噪音。 |

实时音视频