AI Agent 粵語語音指南：點樣打造識講廣東話嘅智能助手

一句答你： 想你嘅 AI Agent 講一口地道廣東話，核心係三件事：揀一個粵語原生嘅 TTS 引擎、將 agent 嘅文字輸出由書面語轉成口語粵文，再用 API 將語音生成接落你嘅對話流程入面——港嘢（Canto-Gen）就係為咗呢個場景而設，Playground 可以免費試，每月 5,000 字符。

Key Takeaways

• AI Agent 要講廣東話，唔係單純「搵個 TTS 揼上去」，而係語音引擎、文字風格、系統架構三層都要配合。
• 粵語 TTS 最大兩個坑：多音字讀錯、書面腔（讀出嚟似新聞報導唔似傾偈）。
• Agent 輸出用口語粵文定書面粵文，直接影響聽感自然度；建議針對場景分開處理。
• 接 API 時要留意字符限制、異步 job 模式同埋 rate limit，先可以做到穩定量產。
• 港嘢 Playground 開戶每月有 5,000 字符（約 21 分鐘音頻），API 同 Playground 共用同一份月配額，方便你先試後接。
• 中英夾雜係香港 Agent 嘅日常，測試時一定要包含 code-switching 句例。

點解 AI Agent 講廣東話係一門學問

呢幾年 AI Agent 爆發式增長，由客服機械人、銷售助理到內部知識查詢系統，越嚟越多企業想加返個「聲」落去。但係一講到廣東話，好多團隊就撞板——英文 agent 講得好地地，一轉粵語就變晒味：唔係讀錯字，就係成句「普通話腔粵語」，又或者書面得滯，聽落像機器人讀報紙，完全唔似一個香港人喺度同你傾偈。

問題唔係 agent 唔夠聰明，而係語音輸出呢一層有佢獨特嘅技術細節。香港市場同台灣、內地唔同，粵語係大部分香港人嘅第一口語，語音體驗差少少，用家即刻會覺得「呢個 bot 唔貼地」，信任感即刻打個折。所以呢篇指南會由三個層面拆解：點揀引擎、點處理文字、點接架構。

第一層：揀啱粵語 TTS 引擎

粵語原生 vs 支援粵語嘅通用引擎

市場上 TTS 引擎大致分兩類。第一類係通用平台，主打幾十種語言，粵語只係其中一個 locale；第二類係粵語原生平台，成個產品由聲線、韻律到斷句都係圍繞廣東話打磨。兩者分別喺實際聽感好明顯——尤其係處理口語、語氣詞同埋中英夾雜嘅時候。

如果你想深入了解揀選準則，可以參考我哋篇 廣東話 TTS 揀選指南，入面有系統咁列出評估維度。另外喺 2026 年嘅綜合對比（根據公開規格，觀察日期 2026 年初至年中）入面，Microsoft Azure Speech、ElevenLabs、MiniMax Audio 等通用平台都有支援粵語 locale，而 cantonese.ai、cantovoice.com 呢類專注粵語嘅平台亦都存在；每家嘅聲線數目、定價結構同 API 能力都有分別，建議直接用同一批測試句去逐家試聽比較。

評估引擎嘅五個關鍵維度

1. 多音字處理：粵語多音字密度高，例如「重」（重係／重量）、「調」（調查／調皮）、「校」（學校／校對）。引擎讀錯一個，成句即刻穿幫。可以用我哋篇 廣東話多音字攻略 嘅字例去測試各家引擎。
2. 口語粵文支援：引擎識唔識讀「冇、嘅、咗、啲、咩、喇」呢類口語字？有啲通用引擎會跳過或者讀錯。
3. 聲線選擇：有冇多把唔同年齡、性別、風格嘅粵語聲線？得一把聲好難做唔同場景。
4. 情緒同風格控制：客服要親切、廣告要興奮、培訓要沉穩——引擎支唔支援呢啲控制參數。
5. API 成熟度：異步 job、批量生成、錯誤碼文檔齊唔齊全，直接影響你嘅工程成本。

想逐個維度深入，可以睇 廣東話 TTS 完全指南 同埋 AI 語音基礎。

第二層：文字處理——Agent 輸出係 Agent 語音嘅原料

好多團隊忽略咗一點：你個 LLM agent 吐出嚟嘅文字，係為「閱讀」而優化，唔係為「聆聽」。直接餵落 TTS，效果通常都麻麻。

書面語 vs 口語：你要邊種？

廣東話有一個獨特現象——書面語同口語係兩套系統。「我現在去吃飯」同「我而家去食飯」意思一樣，但讀出嚟完全兩種感覺。前者用 TTS 讀出嚟會有種「新聞報導感」，後者先係日常傾偈嘅語感。

呢個選擇冇絕對答案，視乎場景：

至於點樣將 LLM 輸出轉成口語，兩個常見做法：一係喺 prompt 入面要求模型直接用口語粵文回覆；二係加一個後處理步驟，將書面詞彙映射做口語詞彙。前者簡單但模型唔一定聽話，後者穩定但要維護映射表。詳細技巧可以睇 書面語 vs 口語粵語 TTS。

語氣詞係貼地嘅靈魂

「㗎、喎、吖、囉、喎、嘞」呢啲語氣詞係廣東話口語嘅精髓，加得啱，成句即刻生猛。但唔少引擎讀語氣詞會生硬，或者語調處理得唔自然。測試引擎嗰陣，記得準備幾句含語氣詞嘅例句，詳情可以參考 粵語語氣詞 TTS 攻略 同埋 語氣詞清單。

中英夾雜：香港 agent 唔可以避

香港人講嘢中英夾雜係日常：「呢個 feature 仲喺 development 當中」、「我 send 咗個 file 俾你」。你個 agent 如果要服務香港用家，一定要 handle 到 code-switching。測試嗰陣特登寫幾句中英混合嘅句子，聽下引擎喺英文詞切換返粵語嗰下順唔順滑。相關深入討論喺 廣東話中英夾雜 TTS。

多音字同懶音

多音字上文提過，呢度補一句實戰技巧：遇到引擎讀錯嘅多音字，可以用替換詞彙、或者喺文字層面做標註去引導讀音，粵拼標註係其中一個方法，可參考 粵拼指南。懶音方面，香港人講嘢自然會有懶音（例如「恆生」講成「恆sheng」咁嘅感覺），TTS 要喺「標準讀音」同「自然聽感」之間搵平衡，相關分析見 廣東話懶音與 TTS。

第三層：系統架構——點樣將 TTS 接入你嘅 Agent

整體流程

一個典型嘅「會講嘢嘅 AI Agent」架構大致係咁：

用戶輸入 → LLM Agent（生成回覆文字）
        → 文字後處理（口語化／多音字修正／長度裁切）
        → TTS API（生成音頻 job）
        → 輪詢 job 狀態 → 攞音頻 URL → 播放俾用戶聽

異步 job 模式係主流

港嘢嘅 API 用嘅係異步模式：POST 提交生成任務，攞到 job_id 之後輪詢查詢狀態，完成後攞音頻下載連結。呢個設計對長文本好重要——唔會因為一次 HTTP 請求 timeout 而令成個生成失敗。對於短句（300 字符以內），亦都有同步捷徑可以直接攞音頻，適合即時對話場景。

工程細節同代碼示範可以睇 粵語 TTS API 快速上手 同埋 點樣用 API 生成地道粵語語音。

字符限制同分段策略

現時港嘢 API 單次請求上限係 500 字符，超過會被拒絕而唔係自動截斷。所以你嘅 agent pipeline 要自己做分段：將長回覆切成幾段，逐段提交。分段時要留意喺自然句子邊界切，唔好切斷語氣，仲要留意斷句同標點對停頓嘅影響，可以參考 標點與 TTS 停頓。

限流同錯誤處理

做客服 agent 一定會遇到併發。港嘢 API 預設限流係每把 key 每分鐘 60 個成功請求，同時有按方案分級嘅在途任務上限（免費 3 個、入門 5 個、專業 10 個、工作室 20 個）。撞到 429 就要指數退避重試。常見錯誤碼同處理方法，我哋有專文：廣東話 TTS API 錯誤碼指南 同埋 API 鑑權指南。

SRT 字幕：多模態輸出

如果你嘅 agent 唔止要講，仲要顯示字幕（例如影片 agent、教學 agent），可以用 SRT 輸出，一次過攞埋時間軸字幕檔。工作流程見 TTS SRT 字幕工作流程。

場景實戰：唔同行業嘅 Agent 語音設計

客服語音機械人

客服係最大宗嘅應用。重點係親切感同清晰度：揀一把年輕但唔幼嫩嘅女聲，用口語粵文，語速中等。錯誤處理對白（「唔好意思，我唔太明白你嘅意思」）要特別調校語氣，唔可以令用家覺得被敷衍。深入指南見 客服廣東話 TTS 同埋 真人 vs AI 配音對比。

教育同培訓 agent

語言學習 agent、企業 e-learning 講師，重點係準確：多音字零容忍、語速偏慢、斷句清晰。呢類場景反而用淺白書面語會更穩陣，因為學習者需要一致性。參考 廣東話教育配音 同埋 e-learning 課程粵語配音。

內容創作 agent

短視頻旁白、YouTube 頻道、Podcast 自動化生產——呢類 agent 嘅重點係產能同風格一致性。批量生成 API 可以一次過處理成堆腳本，配合 SRT 輸出直接入後期。相關資源：YouTube 粵語旁白 AI、短視頻粵語配音、粵語 Podcast 有聲書 AI。

成本規劃：Agent 量產語音嘅賬點計

港嘢嘅定價結構係按字符計：免費計劃開戶每月有 5,000 字符；入門計劃 HK$128／月有 200,000 字符；專業 HK$338／月有 600,000 字符；工作室 HK$688／月有 1,400,000 字符。以每分鐘音頻大約 240 字符估算，入門計劃嘅月配額大約對應 833 分鐘音頻，即係十幾個鐘。

實際做成本估算嗰陣，幾個位要留意：

• 免費額度係一次性，唔係每月重置，所以佢係用嚟做驗收測試，唔係長期免費方案。
• 付費配額每個帳單週期重置，用唔完唔會滾存。
• API 同 Playground 共用配額，測試同正式用量要一齊計。
• 冇超額收費，配額用完就要買字符包，唔會有意外賬單。

詳細價目分析見 廣東話 TTS 價格指南，成本計算方法見 TTS API 成本計算，免費 vs 付費嘅取捨可以睇 免費 vs 付費 TTS。

落地建議：由零到一嘅實施路線

最後俾一個實際嘅行動清單：

1. 第一步：去 港嘢 Playground 用免費嘅每月 5,000 字符，準備十句代表性測試句（包含多音字、語氣詞、中英夾雜、數字、人名），逐把聲試聽。聲線選擇技巧見 TTS 聲線選擇指南。
2. 第二步：決定你嘅文字風格策略——口語定書面，定係混合。將呢個決定寫入 agent 嘅 system prompt。
3. 第三步：開 sandbox key 接 API，用異步 job 模式起一個最小可用 pipeline，處理分段、輪詢同錯誤重試。
4. 第四步：上線前做一輪真實用家測試，收集「邊句讀得唔自然」嘅反饋，針對性修正文字層。
5. 第五步：監察用量同配額，估算月度成本，需要時升級方案或者買字符包。

呢條路線大多數團隊一至兩個禮拜可以行完，重點係唔好跳過第一步嘅試聽——聲線係用家對你 agent 嘅第一印象，揀錯聲，後面嘅工程做得幾好都救唔返。

常見問題 FAQ

AI Agent 接粵語 TTS，最細成本係幾多？

你可以完全免費起步：港嘢開戶送每月 5,000 字符（月月重置），以每分鐘約 240 字符估算，大約等於 21 分鐘音頻，足夠你做一輪認真嘅測試。之後入門計劃 HK$128／月起，有 200,000 字符月配額。

LLM 直接輸出粵語口語，定係後處理轉換好？

兩種都可行。直接喺 prompt 要求口語輸出最快，但穩定性睇模型表現；後處理映射表較穩定但要維護。建議先試 prompt 方案，發現有漏網書面詞先加後處理層。

單次請求 500 字符上限，長對白點算？

喺 agent pipeline 入面自己做分段，喺句子邊界（句號、問號之後）切開，逐段提交異步 job，再按順序合併播放。切勿喺詞語中間切斷，否則斷句會好唔自然。

免費計劃可以用 API 嗎？

可以。免費同入門計劃雖然冇全速 API，但可以開 sandbox key 接駁測試，每日有生成 call 數限制，足夠做開發同驗證。升級到專業計劃先有全速 API 同批量生成。

聲音複製功能可以將我把聲變成 agent 聲線嗎？

港嘢四個計劃都支援聲音複製功能，用參考音頻生成。不過要留意 design 同 clone 出嚟嘅聲線係 per-request，唔會儲存做可重用資產，每次請求都要附上參考音頻。複製自己聲音做 agent 前，亦要留意相關授權同同意問題。

中英夾雜句子讀得自然嗎？

粵語原生引擎對 code-switching 嘅處理通常好過通用引擎，但實際效果要自己測。建議準備幾句真實業務場景嘅中英混合句（例如產品名、專業術語）去試聽，唔好用架空例句。

在途任務上限會影響我嘅客服併發嗎？

會。免費 3 個、入門 5 個、專業 10 個、工作室 20 個。如果併發需求高，除咗升級方案，亦可以喺應用層做任務排隊，令同一時間在途任務數控制喺上限之內，撞上限時用指數退避重試。

[!CTA]

想你嘅 AI Agent 講一口地道廣東話？

即刻去 港嘢 Playground 免費試每月 5,000 字符，揀定聲線先接 API。