數字人直播：粵語帶貨五步落地（2026）

一句答你：數字人直播唔係開個 avatar 就自動帶貨，而係「選品→腳本→聲線→場景→合規」五步逐層做穩，先至撐得起一場長時間粵語直播。

重點摘要 Key Takeaways

• 數字人直播嘅價值係「長時間、可重複、低成本開播」，唔係取代真人主播嘅臨場反應。
• 五步流程：選品、腳本、聲線、場景、合規，每步都有明確交付物同驗收準則。
• 粵語聲線係香港市場嘅核心差異：口語字、語氣詞、中英夾雜，一錯就即刻「出戲」。
• 五大風險：內容重複、互動斷層、延遲、平台規則、AI 標示，全部要有預案。
• 香港有生成式 AI 指引同私隱框架，聲線克隆要有明確同意，直播要有清楚標示。

數字人直播係乜嘢？點解 2026 年香港咁多人做

數字人直播 係用 AI 生成嘅虛擬主播形象，配上 AI 語音（多數係文字轉語音，即 TTS），喺直播或者準直播場景做帶貨、講解、答問題。形象可以係 2D、3D，或者由一張相生成嘅寫實 avatar。

2026 年香港市場嘅情況係：直播帶貨由內地模式傳入，但粵語內容一直難搞。真人主播成本高、檔期有限，而 AI 語音同數字人工具喺 2026 年已經去到「可以長時間開播」嘅成熟度。根據市場報告分析，粵語語音市場喺 2026 年持續擴張，企業由試點轉入正式採用（港嘢市場報告, 2026）。

粵語本身有個結構性挑戰：全球約 8,490 萬粵語母語者，但高質素標註資源長期不足（WenetSpeech-Yue 論文, 2026）。即係話，工具揀錯，出嚟嘅「粵語」可能係普通話腔扮嘅，香港觀眾一耳就聽得出。

五步落地：由零到開播

第一步：選品——唔係所有產品都啱數字人

選品決定成場直播嘅成敗。數字人強項係「講解型」產品：規格清晰、賣點可以預先寫死、問題集封閉。

選品 係按產品特性、客單價、退貨風險去篩選適合直播帶貨嘅貨品嘅過程。

例如：數碼配件、家居用品、美妝基本款，賣點穩定，好適合數字人長時間循環講解。反之，生鮮食品要講「今日到貨狀態」，時效資訊多，數字人就好難應付。

建議用一張選品表先過濾：

第二步：腳本——循環結構加互動觸點

直播腳本 係將成場直播拆做循環單元（例如 15 至 20 分鐘一個品）嘅文字稿，包含開場、賣點、催單、轉場。

腳本要點：

• 每個品寫三個版本嘅講法，輪流出，避免觀眾聽十分鐘就發現係重複。
• 加入「觸點句」：例如「啱啱入嚟嘅朋友，呢個係我哋今晚嘅主推」，照顧中途入場嘅人。
• 粵語腳本要寫口語，唔好書面語直讀。呢點可以參考書面語同口語嘅粵語 TTS 分別，同埋粵語語氣詞 TTS 處理，先至似真人講嘢。

例如：同一個充電器，版本一講快充規格，版本二講旅行場景，版本三講安全認證。三版輪流，重複感大減。

第三步：聲線——粵語自然度係生死線

聲線 係 TTS 系統入面可重用嘅聲音身份，通常以穩定 ID 表示，例如港嘢嘅聲線 slug 係 ASCII 穩定 id。

揀聲線三個準則：

• 口語字讀得準：嘅、哋、咗、喺、嚟、唔、咩，呢啲係基本盤。
• 中英夾雜自然：香港人講「check 埋個 deadline」係日常，聲線處理唔到就假。詳情可以睇粵語中英夾雜 TTS 對比。
• 語氣可調：催單要急、講解要穩。呢方面可以睇聲線選擇指南。

粵語多音字係技術核心難點，文字轉拼音（G2P）容易出錯（Cantonese G2P 論文, 2026）。實務上，腳本入面嘅品牌名、產品名要逐一試讀，錯咗就用替代寫法或者發音字典修正。

如果用人聲克隆，必須取得被克隆者明確同意——呢個唔止係道德，係法律要求。

第四步：場景——數字人形象、對嘴同背景

數字人形象 係由靜態圖或模型生成嘅虛擬主播外觀，對嘴（lip sync）技術令嘴型配合聲軌。

聲調影響音高，唔直接決定嘴型；嘴型主要跟音素。所以粵語對嘴嘅挑戰唔在聲調，在音素差異。學界對個人化對嘴生成有成熟研究，例如 StyleLipSync 提出以風格向量做個人化唇形同步（StyleLipSync 論文, 2026），亦有研究針對風格保持嘅對嘴生成，令角色講嘢時保持原本神態（Style-Preserving Lip Sync 論文, 2026）。

實務建議：

• 形象用正面、光線均勻嘅素材生成，嘴部要清楚。
• 背景同商品圖要分層，方便換品唔使重新生成主播。
• 想知具體工具操作，可以睇HeyGen 粵語 avatar 教學同King AI 粵語對嘴攻略。

第五步：合規——香港有規可依

香港數字政策辦公室嘅《香港生成式人工智能技術及應用指引》強調透明、問責、資料保障（數字政策辦公室, 2026）。私隱專員公署亦有《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（私隱專員公署, 2026）。

落地清單：

• 直播畫面同簡介清楚標示「AI 生成主播」。
• 聲線克隆要有書面同意紀錄。
• 音樂、字體、logo、產品圖全部要授權清楚。
• 詳細可以睇香港語音 AI 合規指南。

五大風險同應對

風險一：內容重複

長時間循環腳本，觀眾好快察覺。應對：每品三版講法加時段觸點句，另外可以預錄幾段「近況」插入，例如「而家已經過咗十點，多謝仲喺度嘅朋友」。

風險二：互動斷層

數字人答彈幕嘅能力有限。應對：設一個真人場控做後台回覆，數字人只負責講解主綫；或者將高頻問題預先寫入腳本。想睇互動設計可以參考多輪粵語對話語音。

風險三：延遲

實時互動如果走 AI 語音，由識別到回應有延遲，觀眾會覺得「卡」。應對：主講走預生成，互動環節先用實時，並控制單句長度。

風險四：平台規則

各直播平台對 AI 內容有唔同要求，有啲要求申報，有啲限制純 AI 內容嘅流量分發。開播前要逐個平台睇最新規則，唔好假設規則唔變。

風險五：標示

唔標示 AI 生成內容，有機會違反透明原則，亦傷品牌信任。生成內容可能帶 C2PA 或 SynthID 水印，平台偵測得到，想隱都隱唔到。

【獨家觀察】

我哋審視 2026 年香港市場見到一個有趣現象：最多人問嘅唔係「邊個工具最勁」，而係「點解我哋個數字人講粵語唔似香港人」。根本原因多數唔在工具，在腳本——團隊用書面語寫稿，再期望 TTS 讀出街坊感。粵語嘅自然感七成靠稿，三成靠聲線。反過嚟講，肯花時間寫真正的口語稿——有語氣詞、有中英夾雜、有口頭禪——嘅團隊，用同一套工具，出嚟效果已經係兩回事。呢個亦係點解我哋成日建議先做一個小規模試點，用真觀眾反應驗證腳本，先至擴量。

常見問題 FAQ

數字人直播使唔使真人喺場？

建議要。真人場控做後台回覆同監察，數字人做主講。完全無人看場，一出事故（例如彈幕問敏感嘢）就冇人執手尾。

粵語數字人會唔會有普通話腔？

視乎工具。有啲工具嘅「廣東話」只係廣東話風格嘅普通話，配粵語參考音頻可能出近似效果，但質素唔保證。香港觀眾對腔調好敏感，試聲一定要搵本地人把關。

聲線可以克隆老闆把聲嗎？

技術上可以，但法律上要老闆明確同意，最好有書面紀錄。授權範圍（用途、期限、可否轉讓）要寫清楚，詳情可以睇語音克隆指南。

一場直播要準備幾多腳本？

經驗做法：每個品三個版本，加開場、轉場、催單、收尾各一段。以兩小時、六個品計，大約二十至三十段稿。以港嘢換算約 240 字符一分鐘，兩小時大約係 28,800 字符，可以按呢個基數規劃配額。

AI 主播要唔要喺直播標示？

要。透明係香港生成式 AI 指引嘅核心原則，而且生成內容可能帶水印，平台偵測得到。主動標示反而建立信任。

數字人直播適合咩類型商家？

最適合：SKU 穩定、賣點可預寫、客單價中低嘅電商。不太適合：要即場鑑賞、議價、處理個案嘅品類，例如古玩、保險詳細諮詢呢類。

開始前有咩低成本驗證方法？

先做一場短時段試點：一個品、一段循環腳本、一個聲線，睇觀眾停留同問題分佈，再決定擴唔擴。登記港嘢送 2,000 字符（一次性），大約八分鐘音頻，足夠試一版腳本嘅聲線效果，喺Playground即刻試得到。

資料來源同方法說明

本文規格同數字引用自港嘢產品文件（觀察日期 2026-10-31）、香港數字政策辦公室及私隱專員公署官方指引，以及 arxiv 論文。工具能力描述只講通用層，具體規格請以各官方頁面為準。本文唔構成法律意見，合規問題請諮詢專業人士。

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）

[!CTA]

想試粵語數字人直播？先喺 Playground 試聲線

一個品、一段稿、一把粵語聲，五分鐘聽得出適唔適合你嘅直播——即刻去港嘢 playground。