情感级别配音-智能媒体服务(IMS)-阿里云帮助中心

使用视频翻译的语音级翻译时，跨语言配音会保留源语言的语调和情感特征，可能导致目标语言配音带有明显的母语口音，听感不自然。情感级别配音（EmotionLevel）可控制配音的情感表达强度，弱化源语言带入的语调特征，使翻译后的配音更符合目标语言的听感习惯。当前该功能仅支持中文↔英文的语音级翻译场景。

核心示例

调用SubmitVideoTranslationJob接口时，可设置 EditingConfig.SpeechTranslate.EmotionLevel 指定情感级别：

{
  "InputConfig": {
    "Type": "Video",
    "Video": "1628ae20c36******8f6f7c77a6302"
  },
  "EditingConfig": {
    "SourceLanguage": "zh",
    "TargetLanguage": "en",
    "NeedSpeechTranslate": true,
    "SpeechTranslate": {
      "EmotionLevel": "SlightEmotion"
    }
  },
  "Title": "情感级别配音示例",
  "OutputConfig": {
    "MediaURL": "https://****.oss-cn-shanghai.aliyuncs.com/output.mp4"
  }
}

设置 "EmotionLevel": "SlightEmotion" 后，配音将弱化源语言的语调特征，保留少量情感起伏，适合企业宣传、产品介绍等场景。

功能说明

情感级别配音是语音级翻译的一项增强配置，不是独立的翻译级别。语音级翻译默认使用音色复刻技术，保留原说话人的音色、情感和韵律进行目标语言配音。情感级别配音提供以下两种情感控制模式，以便灵活选择配音的情感表达程度：

情感级别	参数值	效果说明
轻微情绪	`SlightEmotion`	保留原音频的基本语调，配音效果自然，带有轻微的情感起伏
毫无情绪	`NoEmotion`	使用完全平坦、稳定的语调进行配音，无情感起伏

说明

不设置 EmotionLevel 参数时，系统默认使用原有的音色复刻模式进行配音。

适用场景

默认的音色复刻模式在跨语言配音时，会将源语言的语调习惯带入目标语言，具体表现如下：

中文翻译为英文：中文的语调习惯被带入英文配音，使英文听起来情绪起伏异常、带有口音，不符合英语母语者的表达习惯。
英文翻译为中文：英文的语调习惯被带入中文配音，使中文听起来像"老外说中文"，韵律和声调不自然。
情感级别配音弱化源语言带入的语调和情感特征，令配音更中性、更平稳，更符合目标语言的听感习惯。下表对比三种配音模式的效果差异：

配音模式	效果	优势	劣势	适用场景
默认模式（音色复刻）	完整保留原说话人的语调与情感	情感表达丰富，原声特色鲜明	跨语言配音时源语言口音明显	对情感保真度要求高的内容，如影视解说、情感类短视频
轻微情绪（SlightEmotion）	弱化源语言语调，保留少量情感起伏	语调趋于平稳，减轻源语言口音感，仍保有一定情感色彩	情感表达有所减弱，不适合强情绪内容	企业宣传、产品介绍、在线课程等需要语调平稳的内容
毫无情绪（NoEmotion）	完全平坦稳定的语调，无情感起伏	最大程度去除源语言口音感，配音最为中性平稳	情感表达完全缺失，不适合需要感染力的内容	新闻播报、技术说明、操作演示等极度中性的内容

说明

NoEmotion（毫无情绪）最大程度弱化情感与语调起伏，配音完全平稳；SlightEmotion（轻微情绪）保留少量原始语调，听感介于默认模式与毫无情绪之间。可根据内容风格选择合适的模式。

支持范围

支持的语言

情感级别配音当前仅支持以下目标语言：

源语言	目标语言	是否支持
中文（zh）	英文（en）	支持
英文（en）	中文（zh）	支持
其他语言组合	—	暂不支持

说明

不设置 EmotionLevel 时，语音级翻译支持的全部目标语言不受影响，仍按原有模式配音。

支持的地域

地域	是否支持
华东2（上海）	支持
华北2（北京）	支持
华南1（深圳）	支持
华东1（杭州）	支持
亚太东南1（新加坡）	支持

通过 API 设置情感级别配音

当前情感级别配音仅支持 API 方式调用，控制台暂不支持配置。需要调用SubmitVideoTranslationJob接口设置情感级别。

参数说明

EditingConfig.SpeechTranslate.EmotionLevel 字段用于设置情感级别：

参数	类型	是否必填	取值	说明
`EmotionLevel`	String	否	`SlightEmotion`	轻微情绪：保留原音频基本语调，配音自然，带有轻微情感起伏。
`EmotionLevel`	String	否	`NoEmotion`	毫无情绪：使用完全平坦、稳定的语调，无情感起伏。

说明

不传该参数时，使用默认的音色复刻模式。
EmotionLevel 仅当语音级翻译（即 NeedSpeechTranslate 设置为 true）且目标语言为中文（zh）或英文（en）时生效，详见支持范围。
若同时设置了 VoiceCloneMode 参数，EmotionLevel 的优先级更高。

调用示例

以下示例展示英文视频翻译为中文，使用毫无情绪配音：

{
  "InputConfig": {
    "Type": "Video",
    "Video": "a3f9b21d457******c8e2a1b3d4e5f6a7b"
  },
  "EditingConfig": {
    "SourceLanguage": "en",
    "TargetLanguage": "zh",
    "NeedSpeechTranslate": true,
    "SpeechTranslate": {
      "EmotionLevel": "NoEmotion"
    }
  },
  "Title": "毫无情绪配音示例",
  "OutputConfig": {
    "MediaURL": "https://****.oss-cn-shanghai.aliyuncs.com/output_noemotion.mp4"
  }
}

使用限制与注意事项

翻译方式限制：EmotionLevel 仅适用于语音级翻译（即 NeedSpeechTranslate 设置为 true），字幕级翻译不涉及配音，无需设置该参数。
语言与地域限制：仅特定语言对和地域下生效，详见支持范围。
调用方式：当前仅支持 API 调用，控制台暂未提供配置入口。
参数优先级：若同时设置了 EmotionLevel 和 VoiceCloneMode，以 EmotionLevel 为准。

常见问题

智能媒体服务视频翻译与机器翻译的视频翻译能力有什么区别？

智能媒体服务和机器翻译的视频翻译底层逻辑相似，但能力开放方式不同。智能媒体服务提供视频翻译 API 和 SDK，支持开发者自行开发和 SDK 集成。机器翻译的视频翻译功能不提供 API；其 API 仅支持文本、图片和文档翻译。若需通过 API 开发视频翻译能力，推荐使用智能媒体服务。