AI助理廣東話語音辨識：技術突破與實用指南

一句答你：AI 助理想講廣東話，最直接嘅做法係用粵語 TTS（文字轉語音）引擎，即時將文字回覆轉成粵語發音輸出；效果嘅好壞取決於聲線風格、語氣詞處理、多音字同中英夾雜嘅支援，而唔係一句「支援廣東話」咁簡單。

Key Takeaways

• AI 助理加粵語語音唔係靠預錄音，而係靠粵語 TTS 即時生成，可以動態回應用戶提問，唔使逐句事先錄
• 揀 TTS 時要睇：聲線自然度、情緒控制、中英夾雜支援、API 易用度，而唔係單睇幾錢或幾多聲線
• 廣東話最難搞嘅三件事：多音字（例如「行」讀「haang4」或「hang4」）、語氣詞（㗎、嘅、囉、㗎喎）、同埋中英夾雜（switch 去 login、open file）
• 常見應用場景：客戶服務機械人、智能助手 App、有聲書、YouTube 教學旁白、短片配音
• 字符用量估算：用「每分鐘約 240 字符」做基準，10 分鐘對白大約 2,400 字符，可以快速預計到成本
• API 整合通常分同步（≤300 字直接回音檔）同異步（job_id 輪詢）兩種，長對白要行異步軌

AI 助理點解要識講粵語？

香港用戶打開手機 App、同智能助手傾偈、用客戶服務 chatbox，習慣咗用廣東話輸入同輸出。好似用 Siri、Google Assistant、Alexa 呢啲國際助手，預設未必識處理粵語口語，就會變成「我聽唔明你講乜」或者回你書面語，體驗好差。所以越來越多本地開發者、Startup、客服系統供應商，都開始諗點樣幫 AI 助理加返粵語聲。

但「AI 助理粵語語音」呢件事，講起上來唔係裝個 plugin 咁簡單。你要諗嘅嘢包括：

• 用戶講嘢嘅輸入：係語音輸入（ASR）定文字輸入？
• AI 點樣回：文字？語音？定兩樣都要？
• 語音輸出嘅音色：男聲、女聲、年輕、成熟？
• 語氣：客服要好穩重、助手可以活潑啲、教學要清晰

如果只係要「文字轉粵語發音」，核心就係揀一個啱用嘅廣東話 TTS 服務，再將佢接入 AI 助理嘅回覆流程。

「我講廣東話畀佢」同「佢講廣東話畀我」係兩回事

要搞清楚嘅係，「粵語 TTS」同「粵語 ASR（語音辨識）」係兩種唔同嘅技術。TTS係你畀文字佢，佢輸出語音；ASR 係用戶講嘢，系統轉成文字。一個完整嘅粵語 AI 助理對話，通常兩個都要用到，但呢篇文集中講 TTS 嘅部分——即係「AI 助理點樣用廣東話答你」。

點解唔直接用真人配音？

有人會問：「我請個配音員錄晒所有回覆咪得囉？」問題係 AI 助理嘅特點就係「動態生成」——用戶問乜，AI 就答返對應嘅內容，內容係每次唔同嘅。預錄音只能覆蓋有限嘅場景（FAQ 機械人嘅標準答法），用戶一問個刁鑽啲嘅問題，就會彈返去文字。

所以真正嘅粵語 AI 助理，主流都係用 TTS 即時生成聲音，配少量預錄音（例如開場白、轉接提示）做混合方案。詳細嘅對比可以睇 真人配音 vs AI 配音比較。

AI 助理加粵語語音嘅三種做法

講實際啲，目前幫 AI 助理加粵語聲，主要有三種做法。

做法一：全預錄音方案

最傳統、最穩陣嘅做法。搵配音員錄低所有可能嘅回覆，用戶問乜就播返預錄嗰段。

適合場景：FAQ 機械人、IVR 電話系統（按 1 查賬單、按 2 查保單）、場景有限嘅簡單助手。

局限：

• 回覆內容鎖死，用戶問題稍有變化就無聲可用
• 改文案要重錄，幾唔靈活
• 聲線／語氣單一，聽耐咗會悶
• 長遠成本唔見得平（要 cover 所有 case 嘅錄音量）

預錄音方案喺 IVR 嗰類固定流程仲有市場，但對真正嘅 AI 助手（LLM 驅動）已經唔適用。

做法二：TTS 即時生成方案

主流方案。AI 助手生成文字回覆之後，即時丟入 TTS API，攞返音檔串流或者播放。

適合場景：LLM 對話助手、客服 chatbox、智能助手 App、有聲內容生成。

好處：

• 內容可以無限變化，AI 講乜就出乜聲
• 唔使預錄，唔使維護音檔庫
• 可以用唔同聲線、唔同情緒、唔同語氣，配合對話情境
• 改文案零成本（改 prompt 就得）

限制：

• TTS 嘅自然度、未係每隻聲線、每句對白都聽必順
• 部分粵語特性（多音字、語氣詞、中英夾雜）要靠 TTS 供應商嘅語料同設定支援
• 每次生成都有 API call 成本，要計用量

如果你嘅服務對象係香港用戶，揀 TTS 嘅時候一定要揀真正有廣東話音頻庫嘅服務，唔係寫「支援中文」就當係支援粵語。詳細嘅選購要點可以參考 廣東話 TTS 選購指南。

做法三：混合方案

實際落地嘅項目通常兩者混合：

• 開場白、轉場、品牌音效：用預錄音（固定內容）
• 動態回覆：用 TTS 即時生成
• 高敏感內容（報金額、合約條款）：可以預錄確認，或者用 TTS 配合明確標示

呢個混合做法可以平衡質素、成本同靈活性。

用 TTS 幫 AI 助理配音嘅實際流程

假設你決定用 TTS 路線，落地嘅時候大致流程係咁：

第一步：揀聲線同語氣

唔同場景要嘅聲線好唔同：

揀聲線嘅時候，建議用 TTS 服務提供嘅 preview clip 逐隻聽，唔好單靠文字描述揀。「男聲女聲」之外，重點係聽下佢講語氣詞（㗎、嘅、囉）順唔順、有冇明顯機械感、有冇奇怪斷字。

第二步：處理粵語口語化用語

粵語同普通話最大嘅分別唔係發音，而係口語化用法。如果 AI 助手回你「我認為這個方案係比較合適嘅」，即使係粵語發音，都好書面、好唔自然。

要做到自然嘅粵語對答，要喺 prompt 或者 system prompt 入面明確要求：

• 用口語：例如「我覺得呢個方法幾好用」而唔係「我認為此方案合適」
• 適當用語氣詞：「㗎」、「嘅」、「囉」、「喎」、「啦」、「咩」
• 用粵語詞彙：例如「雪櫃」而唔係「冰箱」、「的士」而唔係「出租車」、「幾時」而唔係「什麼時候」

詳細嘅書面語同口語對比可以睇 書面語 vs 口語廣東話 TTS，語氣詞嘅處理可以參考 粵語語氣詞 TTS 攻略。

第三步：處理多音字

廣東話好多字有多個讀音，意思唔同讀法都唔同。最常見嘅例子：

• 「行」：讀「haang4」（行路）定「hang4」（銀行）
• 「重」：讀「cung4」（重量）定「zung6」（重複）
• 「長」：讀「coeng4」（長短）定「zoeng2」（隊長）
• 「度」：讀「dou6」（幾多）定「dak1」（讀書）

TTS 引擎一般會根據上下文猜讀音，但粵語嘅多音字規則比普通話仲複雜。實際落地時，可以用 TTS 提供嘅**自由指示（instruction）**功能，明確指定邊啲字點讀。詳細可以參考 廣東話多音字攻略 同 粵語 TTS anchors 攻略。

第四步：處理中英夾雜

香港人講嘢好自然會中英夾雜：「你 switch 去嗰個 page login 之後 click 個 button」，呢類句子對純中文 TTS 嚟講係惡夢。

要處理中英夾雜，TTS 引擎嘅粵語音頻庫最好本身就訓練過呢類混合語料，唔係逐個英文 word 跳粵語聲就搞掂。實測嘅時候可以用幾句典型嘅 case 試：

• 「我 send 咗個 file 畀你，check 下 inbox」
• 「用 Google account login 就可以」
• 「App store 而家有 promotion」

如果呢類句子讀出嚟唔會變晒音／讀到一半變另一個聲線，咁就代表佢真係支援粵英混讀。更多處理方法可以睇 廣東話中英夾雜 TTS。

第五步：情緒控制

進階嘅 AI 助手會根據對話情境調節情緒——用戶投訴就耐心啲、用戶慶祝就開心啲、教學內容就中性清晰。

唔同 TTS 平台嘅做法唔同：部分平台提供 emotion 參數（happy、sad、angry、neutral 等），部分就靠 instruction 文字描述。詳細嘅做法可以參考 TTS 情緒控制攻略。

第六步：API 整合

一般嘅 TTS API 整合流程：

1. AI 助手生成文字回覆
2. 將文字 POST 去 TTS API（如果 ≤300 字可以行同步軌，否則行異步 job）
3. 同步軌：直接攞到 audio bytes 播放
4. 異步軌：攞 job_id 之後 poll 結果，攞返 audio_url

異步軌嘅 pre-signed URL 有時效（具體時效以服務商為準），過期要重新 poll。如果要做大量對白嘅批次生成，可以參考 TTS 批量生成工作流；如果想接字幕時間軸，可以加 SRT 輸出，睇 TTS SRT 字幕工作流。初學者可以由 粵語 TTS API 快速上手 開始。

場景實例：邊啲 AI 助理場景適合用粵語

講多啲實際例子，幫你諗下自己個 project 點落地。

客戶服務機械人

最常見嘅需求。客戶用廣東話問嘢，機械人用廣東話回。常見做法：

• FAQ 場景用預錄音（標準答案穩陣）
• 動態查詢用 TTS（例如「你嘅賬單係 HK$XXX，繳費限期係 X 月 X 日」）
• 升級真人客服前嘅轉接提示用預錄音

呢類場景嘅 TTS 要求：清晰、穩重、唔好太浮誇。聲線太活潑會顯得唔專業，太沉就會悶。

智能助手 App

類似 Siri、Google Assistant 嘅個人助手 App。TTS 要求：

• 親和、友善（用戶每日對住）
• 支援廣東話口語同中英夾雜
• 串流回應要快（用戶等唔切幾秒）

呢類場景建議優先用支援串流音檔嘅 TTS 服務，唔好等成段生成先播。

有聲書 / 內容生成

例如用 AI 自動生成粵語有聲書、新聞摘要。TTS 要求：

• 聲線種類夠多（唔同角色唔同聲）
• 支援較長文本（一部有聲書幾十萬字符）
• 情緒變化要做出嚟

呢類應用嘅字符消耗大，要留意月配額夠唔夠用。可以參考 廣東話 TTS 定價分析 估算成本。

YouTube 教學旁白

如果你做 YouTube 教學 channel，想用 AI 配音做粵語旁白，TTS 係一個低成本方案。重點要處理：

• 教學用語要清晰（唔好太口語化）
• 專有名詞（中英夾雜）要讀得準
• 配字幕嘅話可以用 SRT 輸出

詳細可以睇 YouTube 廣東話旁白 AI 同 短片粵語配音。

IVR 電話系統

打電話去銀行、航空公司嘅語音系統。傳統係預錄音，但越來越多系統用 TTS 動態報讀（例如實時航班資訊）。呢類場景要留意：

• 電話音質限制（窄頻 8kHz）——大部分 TTS 都 OK，但要測試
• 唔可以太長嘅回覆（用戶等唔切）
• 重要提示可能要預錄

揀粵語 TTS 服務嘅注意點

揀服務嘅時候，唔好單睇幾錢或者幾多聲線。要留意：

1. 聲線自然度

最基本嘅要求。建議做法：

• 用你自己嘅典型對白試聽（唔好淨聽 demo 包入面揀嘅靚句）
• 留意聆聽語氣詞、有冇明顯斷字、有冇奇怪嘅停頓位

3. 廣東話專門支援

• 聲線圖庫標明係 Cantonese-native (唔係普通話聲線勉強支援)
• 同上派 TTS 中英夾雜、多字、語氣詞嘅實際表現

5. 字符同成本估算

粵語語音嘅字符用量可以用「每分鐘約 240 字符」做基準。例如：

• 10 分鐘對白 ≈ 2,400 字符
• 100 分鐘對白 ≈ 24,000 字符

如果係 LLM 對話助手，平均每輪對話幾十字到幾百字，要根據預期對話量計月用量。定價細節可以參考 廣東話 TTS 定價。

6. API 易用度

• 同步軌支援邊個長度（一般 300 字以內）
• 異步軌嘅 polling 體驗
• Pre-signed URL 時效
• Rate limit 設計（同用戶量配合）
• 沙盒 key 可唔可以畀開發期間試

完整嘅廣東話 TTS 對比可以睇 2026 廣東話 TTS 比較 同 廣東話 TTS 完全指南。

點樣開始第一步？

如果你只係想試下「AI 助理加粵語聲」係乜嘢感覺，建議嘅起步步驟：

1. 寫幾句典型對白：包括語氣詞、中英夾雜、多音字例子
2. 去 TTS Playground 試聽：揀聲線、輸入關鍵文字、調幾句試 prompt
3. 整合 API：用同步軌試短回覆，異步軌試長回覆
4. 收集用戶回饋：邊啲字讀錯、邊啲句子唔自然

唔使一開始就做完美嘅系統。TTS 係可以慢慢調嘅——你每次聽到有問題嘅句子，記低、改 prompt、再試。重複幾次就會搵到適合你場景嘅聲線同指示方式。

---

常見問題 FAQ

AI 助理用粵語語音，預算大概幾多？

視乎用量。粵語音語音用量可以用「每分鐘約 240 字符」估算。例如一個客戶服務 chatbot 每日 1,000 輪對話、平均每輪 80 字，約 80,000 字符一日。定價要按月用量同字數檔位計，建議參考 廣東話 TTS 定價 同 廣東話 TTS 選購指南。

點解我嘅 AI 助手講粵語有鄉音？

鄉音來源通常有幾個：(1) 你揀咗普通話聲線勉強出粵語；(2) prompt 寫得太書面，連讀都沒有情感；(3) 冇用粵語專門嘅 TTS。建議用 Cantonese native 文身線、prompt 明聲定口語調、多用語氣詞。詳細嘅調校方法可以參考 粵語 TTS anchors 攻略。

中英夾雜嘅句子 TTS 處理得唔好，點算？

要試下你揀嘅 TTS 引擎本身有冇訓練粵英混讀嘅語料。可以用「我 send 個 file 畀你，check inbox」、「用 email login 呢個 account」呢類典型句子試聽。仍然唔得嘅話，可以用空格、標點分開中英部分，等有助對齊節奏處理。更多可以參考 廣東話中英夾雜 TTS。

同步 API 同異步 API 點揀？

一般準則：≤300 字嘅短回覆用同步（直接攞音檔），長過 300 字嘅對白、SRT 字幕、聲音複製（voice_clone）就用異步 job。同步比較簡單，異步要自己處理 polling、URL 過期等。初學者可以睇 粵語 TTS API 快速上手 了解更多。

用粵語 TTS 做出嚟嘅語音可以做商業用途嗎？

一般 TTS 服務嘅付費方案允許商用，但具體條款要睇你揀嘅服務商嘅使用條款。注意預錄音同 TTS 嘅授權框架唔同，配音員聲線嘅肖像權、AI 生成嘅聲音嘅使用權限，都要留意。商用前建議向服務商確認具體授權範圍。

TTS 生成嘅聲音可以調整情緒嗎？

大部分進階嘅 TTS 服務支援情緒控制，做法有兩種：(1) 用 emotion 參數（happy、sad、neutral 等），(2) 用 instruction 文字描述（例：「用友善、開心嘅語氣讀」）。詳細可以睇 TTS 情緒控制攻略。

如果我想幫 AI 助理加入自訂聲線（例如模仿某個 KOL），得唔得？

部分 TTS 服務支援聲音複製（voice clone），可以上傳參考音頻生成新聲線。但要注意：(1) 必須有合法授權（被模仿者同意），(2) 聲線複製嘅質素同原始音頻質素有闗，(3) 每個 TTS 服務商嘅具體做法唔同。詳細可以睇 TTS 聲音複製攻略。注意唔可以用嚟做虛假訊息或者誤導用途。

---

[!CTA]

試下用港嘢幫你嘅 AI 助理加粵語聲

去 Playground 揀聲線、打幾句廣東話、即場聽下點讀，估出噉先再決定點整合。