声音克隆

给一段参考音频（要模仿的音色）+ 一段文本，生成「用这个音色念这段话」的语音。

异步接口：提交后拿到 task_id，再轮询查结果。

已实测：本页示例为对 api.aiclonevoicefree.com 的真实调用，约 7 秒完成。

`POST /api/v2/voice/clone`

鉴权：Authorization: Bearer sk_...（见鉴权）

基础参数（所有模型通用）

只用这几个参数就能跑通。各模型的额外参数见下方怎么选模型。

字段	类型	必填	说明
`text`	string	✅	要合成的文本
`reference_audio_url`	string	✅	参考音色音频 URL（wav/mp3，公网可访问）
`model`	string	⬜	模型，默认 `v2-emotion`；可选 `v1-real` / `v3-qwen` / `omni` / `voxcpm` 等
`speed_ratio`	number	⬜	语速，默认 1.0
`pitch_ratio`	number	⬜	音调，默认 0
`volume_ratio`	number	⬜	音量，默认 1.0
`generate_subtitle`	bool	⬜	是否生成字幕
`subtitle_language`	string	⬜	字幕语言
`compact_mode`	bool	⬜	紧凑模式（压缩句间静音）
`compact_max_silence_ms`	int	⬜	紧凑模式下最大静音毫秒
`metadata`	object	⬜	透传业务字段，原样回显在结果里

curl -X POST https://api.aiclonevoicefree.com/api/v2/voice/clone \
  -H "Authorization: Bearer sk_your_api_key" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "你好，这是 v2 接口的声音克隆测试。",
    "reference_audio_url": "https://oss.aiclonevoicefree.com/trump.wav",
    "model": "v2-emotion"
  }'

响应 202 Accepted（统一响应格式，详见任务查询）

{
  "task_id": "b28f0341-3045-42e5-ad63-a5ccf4a1088e",
  "status": "pending",
  "capability": "voice",
  "action": "clone",
  "model": "v2-emotion",
  "error": null,
  "created_at": 1780704348,
  "completed_at": null
}

取结果

轮询 GET /api/v2/tasks/{task_id}，status 变 completed 时，结果字段直接在顶层（没有嵌套的 result 包）：

{
  "status": "completed",
  "capability": "voice",
  "action": "clone",
  "audioUrl": "https://oss.aiclonevoicefree.com/tts/2026-06-06/xxxx.wav",
  "format": "wav",
  "degraded": false,
  "providerUsed": "tts-v2-emotion-1",
  "completed_at": 1780704355
}

结果字段	说明
`audioUrl`	合成音频的可下载地址
`format`	`wav` / `mp3`
`degraded`	`true` 表示因降级走了非首选模型，音质可能略差
`providerUsed`	实际使用的服务

怎么选模型？

你想要	用这个	一句话
声音尽量像参考音频	`v1-real`	最稳的逼真克隆
要有情感	`v2-emotion`（默认）	带情绪的克隆
多语言 / 想给朗读指令	`v3-qwen`	会多国语言、能听指令
不想录音，用文字描述造声音	`omni` / `voxcpm`	写「年轻女声、高音调」就行

所有模型都至少要 text + reference_audio_url；语速/音调/音量是通用可选项。下面每个模型只写它额外要传的参数。

v1-real —— 逼真克隆

最像参考音色、最稳定。不用额外参数，把基础示例里的 model 换成 v1-real 即可。

v2-emotion —— 情感音色

默认模型，输出自带情感。不传任何额外参数时，情感跟随参考音频。想主动控制情感，传一个 emotion 对象：

`emotion` 字段	说明
`mode`	情感来源：`same_as_reference`（跟参考音频，默认）/ `vector`（8 维向量）/ `text`（文字描述）/ `reference_audio`（另给情感参考音频）/ `random`
`vector`	`mode=vector` 时填：8 个 0–1 的数，顺序 `[喜, 怒, 哀, 惧, 兴奋, 低落, 惊讶, 平静]`；各分量之和建议 ≤ 1.4（与官网一致；硬上限 1.5，超出报 `emo_vec sum exceeds 1.5`）
`text`	`mode=text` 时填：情感描述，如「开心地说」
`reference_audio_url`	`mode=reference_audio` 时填：情感参考音频 URL

# 用情感向量：高「喜悦」+ 一点「兴奋」
curl -X POST https://api.aiclonevoicefree.com/api/v2/voice/clone \
  -H "Authorization: Bearer sk_your_api_key" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "我今天好开心！",
    "reference_audio_url": "https://oss.aiclonevoicefree.com/trump.wav",
    "model": "v2-emotion",
    "emotion": { "mode": "vector", "vector": [0.9, 0, 0, 0, 0.1, 0, 0, 0] }
  }'

v3-qwen —— 多语言 + 指令

支持中英日韩等多语言，可用 instructions 告诉它「怎么读」。 额外参数：instructions（字幕语言用基础参数里的 subtitle_language）。

curl -X POST https://api.aiclonevoicefree.com/api/v2/voice/clone \
  -H "Authorization: Bearer sk_your_api_key" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "Hello，今天天气不错。",
    "reference_audio_url": "https://oss.aiclonevoicefree.com/trump.wav",
    "model": "v3-qwen",
    "instructions": "用平静的语气朗读",
    "subtitle_language": "zh"
  }'

omni —— 用文字描述造音色

不挑参考音频的音色：你用一串描述词直接「捏」出想要的声音。额外参数：omni_options（一个 JSON 字符串，核心是里面的 instruct）。

描述词从下面这些里挑，用逗号连起来（中英都行，但别混用英文口音和中文方言）：

性别：男 / 女（male / female）
年龄：儿童 / 少年 / 青年 / 中年 / 老年
音调：极低 / 低 / 中 / 高 / 极高音调
特殊：耳语（whisper）
中文方言：四川话、东北话、河南话、陕西话、贵州话、云南话…
英文口音：american accent、british accent、japanese accent…

例：女, 青年, 高音调，或英文 female, young adult, high pitch。

curl -X POST https://api.aiclonevoicefree.com/api/v2/voice/clone \
  -H "Authorization: Bearer sk_your_api_key" \
  -H "Content-Type: application/json" \
  -d '{
    "text": "你好，这是用描述词生成的音色。",
    "reference_audio_url": "https://oss.aiclonevoicefree.com/trump.wav",
    "model": "omni",
    "omni_options": "{\"instruct\": \"female, young adult, high pitch\"}"
  }'

voxcpm —— 方言 / 指令音色

和 omni 类似、偏方言场景。额外参数：omni_options（同上）或 instructions。

计费

按字符计费：CJK 字符（中日韩）每个记 2，其它字符每个记 1。

算例：

「你好世界」（4 个中文）= 4 × 2 = 8 积分
「Hello」（5 个英文）= 5 × 1 = 5 积分
「你好，world」（3 中文 + 5 英文 + 1 标点）≈ 3×2 + 6×1 = 12 积分

积分在任务完成时结算，失败不扣费（见通用约定）。用的是语音积分，与视频积分不同。

On this page