數字人多語言方案：粵語主版本＋三語版本（2026）

一句答你： 一個數字人要出粵語、普通話、英文三個版本，正路做法係「粵語做主版本，先鎖定表演同嘴型，再分別配音、對嘴、出三條版本」，而唔係一條片直接換語言咁簡單。

重點摘要 Key Takeaways

• 先做粵語主版本：口音、節奏、嘴型基準全部以粵語為準，之後版本先至有得對。
• 翻譯唔係逐字譯：粵語口語轉普通話／英文，要重寫句長同語氣，句長差太遠會搞垮對嘴。
• 三語版本分開配音、分開對嘴：每條版本獨立跑一次對嘴流程，唔好貪快一鑊熟。
• 五個 QC 位：稿、譯、聲、嘴、字幕；每個位有獨立驗收標準，邊個位出事就邊個位返工。
• 聲調語言嘅嘴型重點係音素，唔係聲調：聲調影響音高，嘴型主要跟音素走。
• 授權先係大坑：聲要同意、樣要授權，三語版本代表同一個樣重複使用，授權範圍要寫清楚。

點解要「一個 avatar，三個語言版本」

做生意嘅朋友成日問：同一個數字人，可唔可以出粵語版、普通話版、英文版？可以，但流程同單語版本唔同。

數字人 係用一張角色圖或者一段角色片段，配合聲軌，生成一個識講嘢、嘴郁得自然嘅虛擬角色。呢幾年好多平台都做得到，但係「出得三條版本」同「三條版本都睇得落」係兩回事。

關鍵諗法好簡單：粵語做主版本。原因有兩個。

第一，粵語係最難嗰個。聲調多、入聲短促、圓唇韻母多，呢啲特徵令到粵語版本最容易出破綻。用最難嘅語言做基準，普通話版同英文版通常都唔會差過佢。

第二，香港團隊審粵語最敏銳。你自己聽得出粵語邊度怪，但普通話版你可能冇咁快察覺問題。所以粵語版鎖定咗表演、節奏、斷句之後，另外兩個版本就有咗對照標準。

根據 WenetSpeech-Yue 論文，全球約有 8,490 萬粵語母語者，但高質素標註資源長期不足，所以粵語語音技術一路都落後過英文同普通話（WenetSpeech-Yue, 2026）。呢個都係點解要用粵語做主版本——資源少，更要早落手定型。

想了解香港可用嘅粵語 avatar 平台，可以睇HeyGen 粵語數字人指南。

三語版本嘅完整流程

第一步：寫稿（粵語口語先落筆）

唔好寫書面語再諗點轉口語。一開始就用廣東話口語寫，先寫得自然。

G2P 係 grapheme-to-phoneme，即係「文字轉讀音」嘅過程。粵語多音字多，G2P 容易出錯，所以稿入面儘量避免生僻多音字，人名地名要預先定好讀音。想深入了解可以睇粵語多音字指南。

例如：你隻產品叫「重光」，個「重」字讀「種」定「從」？呢啲位一定要喺稿階段定案，唔好等到配音先發現。

第二步：粵語配音（主版本聲軌）

用粵語 TTS 出主聲軌。呢度有幾個位要留意：

• 聲調 係粵語字音嘅音高模式，粵語一般教學講「九聲六調」。聲調唔啱，意思即刻走樣。
• 入聲 係粵語嘅短促收尾音節，韻尾 -p、-t、-k 收得短促。TTS 讀入聲拖長咗，聽落即刻「唔係香港人」。
• 中英夾雜位：香港日常講嘢會夾英文，例如「check 嚇」、「follow up」，呢啲位嘅讀法要喺稿階段標清楚。可以參考粵語中英夾雜讀法。

第三步：對嘴（粵語主版本先行）

對嘴（lip sync）係令角色嘅嘴型配合聲軌音素嘅技術。呢度有個好重要嘅語言常識：聲調影響音高，唔直接決定嘴型；嘴型主要跟音素（viseme）。即係話，粵語九聲六調唔會令嘴型難做，真正影響嘴型嘅係音素組合。

學界對個人化對嘴有唔少研究。StyleLipSync 提出咗用個人化說話風格做對嘴生成，令角色口型保持一致風格（StyleLipSync, 2026）。另外，Style-Preserving Lip Sync 進一步處理保持原片風格之下嘅對嘴合成（Style-Preserving Lip Sync, 2026）。呢啲研究講明一件事：對嘴唔係淨係「嘴郁得」，係要「呢個角色嘅嘴」。

實務上，Kling 官方文件列明 Lip Sync 工具支援真人、3D、2D 角色，角色要正面、嘴部清楚，聲軌長過影片要剪（Kling Lip Sync, 2026）。所以粵語主版本嘅角色素材，一開始就要預備正面、嘴部清楚嘅版本。

對嘴工具嘅揀法同常見陷阱，可以睇King AI 對嘴工具粵語指南。

第四步：翻譯＋普通話版

呢步係最多人出事嘅位。下面開一節專講翻譯陷阱。

第五步：英文版

英文版通常係最後做，因為英文句長同粵語差最遠，節奏要重新校。普通話版做好咗，英文版就照住個流程再行一次：譯稿、配音、對嘴、字幕。

第六步：字幕同匯出

每個版本配返自己語言嘅字幕。SRT 字幕流程可以睇SRT 字幕生成工作流。

翻譯陷阱：三個語言唔係三次複製貼上

陷阱一：句長失衡搞垮對嘴

粵語一句「你呢单我哋帮手跟進」，英文可能變成 "We'll follow up on your order right away"。句長差太遠，對嘴就會出現「嘴郁但冇聲」或者「有聲嘴唔郁」嘅尷尬位。

解法：翻譯時以「畫面段」為單位，唔係逐句譯。每段畫面嘅台詞總長要同粵語版接近，寧願譯多一句短句，都唔好一句長句硬撼。

陷阱二：粵語口語直譯變怪話

粵語口語有大量書面語冇嘅字：嘅、哋、咗、喺、嚟、唔、咩、喇、囉。直譯去普通話，唔係唔得，係會出現普通話人都覺得怪嘅句。例如粵語「唔使客氣」直譯「不用客氣」冇問題，但「咁都得？」直譯做「这样也行？」就冇晒個語氣。

解法：翻譯之後一定要搵目標語言嘅人讀一次。唔係睇，係讀出嚟——讀先會發現句長同拗口位。

另外，將粵語口語稿轉書面語本身都係一門手藝，可以睇粵語口語轉書面語指南。

陷阱三：品牌名讀法三個版本三個樣

同一個品牌名，粵語版可能讀英文原音，普通話版讀普通話化版本，英文版又另一個讀法。三條片出街，觀眾睇兩條已經覺得亂。

解法：做一張「三語讀法對照表」，每個品牌名、產品名、人名，三個版本嘅讀法一次過定案，三個版本照表執行。

陷阱四：語氣詞全部消失

粵語嘅語氣詞（喇、囉、咩）好影響親切感。翻譯做普通話會變「了、呢、嗎」，做英文好多時直接冇咗。英文版完全冇語氣詞，成個數字人會突然變得好正式，同粵語版人格唔夾。

解法：喺英文稿用節奏同用字補返親切感，例如短句、口語化用詞。唔係加字，係調成個 tone。想掌握語氣詞可以睇粵語語氣詞清單。

五個 QC 位：每個位獨立驗收

下表係三語版本嘅五個 QC 位，每個位有檢查重點同常見出事模式：

逐個位講多少少。

QC 1（稿）：出稿之後，全隊人讀一次 aloud。睇稿冇用，讀出嚟先執到拗口位。多音字問題可以參考粵語多音字處理指南。

QC 2（譯）：驗收標準唔係「譯得啱」，係「目標語言嘅人讀得順、句長同粵語版差唔遠」。

QC 3（聲）：粵語版重點聽聲調同入聲；普通話版聽有冇粵語腔；英文版聽重音同斷句。每個版本用廣東話 TTS 準確度測試方法嘅思路做盲聽，唔好邊睇稿邊聽。

QC 4（嘴）：逐段睇，特別係句尾。學界對唇形同步評估嘅研究講明，對嘴質素唔止睇「開合」，仲要睇視覺同音頻嘅時間對齊。研究人員提出咗用視聽同步度做唇形評估嘅方法，量度嘴型同聲音幾貼（LSE-C/LSE-D 研究, 2026）。

QC 5（字幕）：字幕要同聲軌同步，用詞要同最終稿一致。三個版本三套字幕，千祈唔好用粵語版字幕直接機翻做普通話版字幕——嗰個係書面語字幕，唔係普通話口語字幕。

【獨家觀察】我哋睇過唔少三語數字人項目，最大嘅迷思係「對嘴難係因為粵語聲調多」。事實啱啱相反：聲調係音高層面嘅嘢，嘴型跟嘅係音素。真正搞垮粵語對嘴嘅，係翻譯階段冇管句長，令到英文版台詞長過粵語版一大截，對嘴引擎焗住拉扯嘴型去遷就，結果睇落好似「爛嘴」。所以五個 QC 位入面，QC 2（譯）先係三語版本嘅命門，唔係 QC 4（嘴）。識得喺翻譯階段鎖句長，後面嘅對嘴問題會少一大半。

授權同合規：三個版本等於三次使用

三語版本代表同一個樣、同一把聲，喺三個市場重複出現。授權範圍要寫清楚。

• 聲音複製他人聲音，必須取得明確同意。
• 肖像使用要授權。
• 生成式 AI 內容應該有清楚標示；部分平台會加 C2PA 或同類水印。

香港私隱專員公署嘅《人工智能 (AI)：個人資料保障模範框架》處理 AI 時代嘅個人資料問題，數字人項目照住做會穩陣好多（PCPD 模範框架, 2026）。數字政策辦公室嘅《香港生成式人工智能技術及應用指引》亦強調透明、問責、資料保障（香港政府 AI 指引, 2026）。

聲線授權嘅細節可以睇AI 聲線授權權利指南，聲音資產管理可以睇聲音資產管理指南。

工具層面：點樣揀平台

呢度唔逐個報規格，講揀法。

• 想用一張圖加聲軌就出片：揀有 avatar 功能嘅平台。Kling 官方文件指同一個 avatar 可以出英文、中文等多語言，代表你可以用同一個角色素材出三個版本（Kling Avatar, 2026）。
• 想粵語聲線多選擇：HeyGen 官方粵語頁列明 300+ 把聲、175+ 語言／方言，包括香港、澳門、廣東口音，亦支援 clone 自己粵語聲（HeyGen 粵語 TTS, 2026）。
• 想對嘴同配音分開做、自由組合：睇數字人聲音整合指南。

無論用邊個平台，粵語主版本先行嘅流程唔變：稿、聲、嘴，粵語版全部鎖定，先至開其他語言。

常見問題 FAQ

問題一：可唔可以直接用粵語聲軌，對嘴引擎自動出普通話版？

唔得。對嘴係「嘴型配合聲軌」，唔係翻譯。普通話版要有普通話聲軌先至有得對嘴。正路流程係：譯稿 → 普通話配音 → 再對嘴。

問題二：三個版本要唔要三個不同 avatar？

唔使，而且唔應該。用同一個角色素材出三個版本，先至保持品牌一致性。要做嘅係每個版本獨立跑一次對嘴，唔係換 avatar。

問題三：粵語聲調多，係咪代表粵語對嘴最難？

唔係。聲調影響音高，唔直接決定嘴型；嘴型主要跟音素。粵語對嘴嘅真正難點喺翻譯階段嘅句長管理，同埋粵語聲軌本身嘅讀音準確度。

問題四：翻譯交畀機翻得唔得？

做初稿可以，做最終稿唔得。機翻解決到「意思啱」，解決唔到「句長貼近、讀落順、語氣一致」。最低限度要目標語言嘅人讀一次、執一次。

問題五：三個版本嘅字幕可唔可以用同一條 SRT 改？

唔好。粵語版字幕係粵語口語字幕，普通話版要重新做口語化字幕，英文版又係另一套。直接改 SRT 會出現「字幕同聲講嘅唔對版」。

問題六：品牌名三個版本讀法唔同，有冇問題？

有。觀眾跨版本睇會覺得亂，品牌記憶度亦會散。做一張三語讀法對照表，三個版本照表執行，係最平嘅解法。

問題七：想試粵語主版本嘅聲軌，有咩平價起步方法？

可以先用粵語 TTS 出主聲軌試節奏。港嘢 playground 支援粵語聲線生成，登記送 2,000 字符（一次性），夠你試好幾段旁白嘅節奏先至決定正式製作。

開始你嘅粵語主版本

[!CTA]

一個 avatar，三個語言，粵語先行

去港嘢 playground 出你嘅粵語主聲軌，鎖定節奏先至開另外兩個版本。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。

本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）