口述影像粵語製作：影片睇唔到都聽得明

一句答你：口述影像（audio description）係喺影片對白之間嘅空檔，用聲音描述畫面上「睇得到但聽唔到」嘅嘢；用粵語 TTS 做口述影像，重點唔係讀得快，而係留白啱、講重點、聲線一致 —— 一份寫得好嘅口述稿配一把穩定嘅粵語聲線，就令睇唔到嘅觀眾都跟得上成個故事。

香港做無障礙影片，好多機構第一時間諗到加字幕。字幕當然重要，但對睇唔到畫面嘅人嚟講，字幕幫唔到佢 —— 佢需要嘅係另一條聲道：口述影像。呢篇會由「口述影像係咩」講起，拆解粵語口述稿點寫、用 TTS 生成時要留意嘅留白同讀音，最後畀一套由分場到混音嘅實戰流程。想先了解「聽得到嘅內容」有幾種做法，可以睇《視障粵語朗讀指南》。

Key Takeaways

• 口述影像唔等於字幕，亦唔等於照讀劇本：佢係喺對白空檔之間，補上畫面資訊
• 寫稿四原則：只落對白空檔、講必要資訊、用詞有畫面感、專有名詞全片一致
• 粵語特別要對讀音：香港地名、人名、多音字，一定要事先用稿引導
• 一把穩定嘅旁述聲線，比一時好聽更加重要 —— 口述影像係成條片嘅導航
• 長稿要切段：單次生成最多 500 字符，所以按場景／時間碼分段，反而更好對軸
• 混音要令旁述「聽得清、唔搶戲」：原聲喺旁述時讓路（ducking），講完即返

口述影像係咩？同字幕、朗讀有咩分別

口述影像最早由劇場同電視發展出嚟：當畫面資訊冇經對白講出嚟（例如「佢由袋度攞出一張舊相」、「雨開始落」、「枱上剩返一個空杯」），就由旁述補一句，令睇唔到畫面嘅觀眾都明白發生咩事。佢係無障礙服務嘅一環，同字幕、手語、朗讀係幾條並行嘅路。

三個「聽得到」層次

• 字幕：處理「聽得到但睇唔到」—— 聽障觀眾睇文字。站內有一篇專講呢條線：《聽障粵語字幕指南》。
• 讀屏／朗讀：處理「睇唔到但想閱讀」—— 視障用戶用聲音獲得文字內容。
• 口述影像：處理「睇唔到但想睇片」—— 視障觀眾用聲音跟得上畫面敘事。

三者對象同場景唔同，唔可以互相取代。一條公共資訊片、一段教學片、一套紀錄片，最好係字幕同口述影像都齊。「無障礙」唔係其中一樣做咗就交差，而係按受眾需要開齊幾道門。

口述影像嘅核心：描述「睇得到但聽唔到」嘅嘢

新手最常見嘅錯，係將口述稿寫成「劇情複述」—— 對白已經講咗嘅嘢，旁述又講一次，觀眾會覺得嘈。口述影像只補對白冇講、但畫面有嘅資訊：邊個喺場、做緊咩動作、環境係點、情緒線索（表情、燈光、物件位置）。一句話：對白負責講，旁述負責睇。

打個比方：你同朋友講電話，佢睇唔到你嗰邊嘅畫面。你唔會複述佢聽到嘅對白，而係補上佢睇唔到嘅嘢。口述影像就係將呢個本能，變成一套有紀律、有時間預算嘅工序。

口述影像稿點寫：四條實戰原則

原則一：只落對白空檔

口述影像最硬嘅技術關口係「timing」。旁述唔可以疊住對白，一定要喺兩句對白之間嘅空檔落筆。所以寫稿最好同時間碼一齊寫：

[00:12] （門打開聲）
[00:14] 旁述：阿明推門入嚟，手上拎住一個紙袋。
[00:18] 對白：你返嚟喇？
[00:20] 旁述：佢望一望枱面，停低咗。

對白密嘅片（例如吵架戲），空檔可能只得一兩秒 —— 呢個時候寧願少講一句，都唔好搶。長片旁白嘅節奏控制同寫稿技巧，可以參考《TTS 旁白稿點寫》。反過來，空檔長嘅片，就係口述影像可以發揮嘅位：紀錄片、教學片、風景片通常空檔多，口述影像做得好會令資訊更完整。

原則二：講必要資訊，唔係所見即所報

畫面每秒有幾十樣嘢，但唔係樣樣都要講。判斷標準係：呢樣嘢唔講，觀眾會唔會跟唔上後面？ 主角手上嘅信重要，因為下一幕佢可能打開嚟睇；牆上嘅海報通常唔重要，除非之後有劇情關連。旁述要似一個識講故嘅朋友，唔係一部逐項報數嘅機器。

三個優先級別，寫稿時可以咁排：

原則三：用詞要有畫面感、少評價

「佢好嬲」係評價，「佢捉緊拳頭、望實對方」係畫面。口述影像盡量描述可觀察嘅行為同細節，畀觀眾自己形成判斷。動詞揀得準，比形容詞多，效果更好。呢個原則有實際道理：旁述加咗評價，等於代替觀眾思考；描述畫面，觀眾先有「睇」到嘢嘅感覺。

原則四：人稱、時態、專有名詞全片一致

同一角色，全片叫「阿明」就唔好一時「明仔」一時「佢」。同一機構名，全片讀法要一致。呢條看似小事，但對長期聽嘅觀眾嚟講，一致性就係清晰度。專有名詞一亂，觀眾就要重新定位，注意力即刻散。建議開稿前先整一張「人物／名詞對照表」，全片跟佢寫。

粵語口述影像特別要留意嘅位

留白：粵語一拍有幾長

粵語係聲調語言，語速同停頓本身就有意義。同一句「佢慢慢行過去」，讀得快同讀得慢，畫面感差好遠。做口述影像時，粵語旁述通常比新聞旁白再慢少少，留多啲呼吸位，等觀眾「睇」得切。呢個語速唔係靠感覺調，而係要同實際時間碼夾 —— 一句旁述有幾長，要對得住佢嗰個空檔有幾長。

讀音：地名、人名、多音字要事先對

香港嘅地名同人名，好多都有約定俗成讀法，唔一定跟字面。例如「長沙灣」同「東涌」呢類地名，讀錯一次，聽眾即刻抽離。加上粵語多音字問題（同一個字唔同詞唔同讀音），口述稿基本上同正式配音稿一樣，出聲之前一定要逐個專有名詞對讀音。站內有一篇講多音字點自救：《廣東話多音字攻略》。

實務做法係：開稿時，凡係有人名、地名、機構名、專有名詞，都用一張清單列出，聽一次正確讀法，再寫入稿。唔肯定嘅，就用同音字或拆字引導，令生成嗰把聲讀得啱。

語氣：旁述要平穩，唔好搶戲

口述影像嘅旁述係「導盲犬」，唔係主角。語氣要中性、穩定、親和，唔應該蓋過演員嘅情緒。所以揀聲線時，「穩定清晰」比「有戲劇張力」更加適合。一把長期都咁穩定嘅聲，對成日聽口述影像嘅觀眾嚟講，甚至會變成一種熟悉感 —— 佢哋一聽就知「有人喺度帶路」。

用 TTS 做口述影像嘅製作流程

第一步：分場、標時間碼

先將成條片按場景切開，每個場景列出「對白段」同「空檔段」。呢一步決定之後所有事，唔好跳。冇時間碼嘅口述稿，等於冇設計過嘅稿。

第二步：寫稿、標記空檔

用上一節四原則寫旁述句，每句標好入點同出點。建議一句一個獨立段落，方便之後逐句生成同對軸。稿入面最好連「邊度係對白、邊度係旁述、邊度係音效」都分開標，混音嗰陣就一目了然。

第三步：生成、試聽、對齊

用 TTS 生成每個旁述句，再試聽有冇讀錯音、節奏啱唔啱。要留意單次生成上限係 500 字符，所以長段落要自己切開 —— 好處係切開之後，每段都可以獨立微調同重出，改一段唔使動全片。

第四步：混音（旁述 vs 原聲）

最後係混音：旁述一出，原聲嘅背景音同音樂要輕輕讓路（俗稱 ducking），講完即刻返返正常音量。如果唔做 ducking，旁述會同對白、配樂打交，聽落又嘈又攰。呢一步係口述影像「聽得舒服」同「聽得辛苦」嘅分水嶺。

邊啲片最值得先做口述影像

資源有限，唔可能一次過將所有片都做齊。以下係實務上優先級最高嘅幾類：

一、公共資訊同政策宣導片

呢類片嘅觀眾本身就廣，而且內容關乎權益（例如申請流程、安全指引）。睇唔到就等於冇接收到，影響直接。做口述影像嘅回報最高。

二、教學同培訓片

教學片好多時畫面有示範（操作步驟、圖表、實物），但對白未必逐一講清。加口述影像，唔止幫視障學員，連「邊聽邊做」嘅一般學員都得益。

三、紀錄片同人物故事

空檔多、敘事重畫面，正正係口述影像最能發揮嘅類型。做得靚，觀眾閉住眼都「睇」到成個故事。

四、產品同服務介紹片

企業官網、展覽、服務台播放嘅片，如果做到無障礙，係一個實在嘅包容訊號，同時令內容喺嘈雜環境（例如展廳）都聽得明。

反過來，純音樂 MV、純對白無畫面資訊嘅片，做口述影像嘅邊際價值較低 —— 唔係唔做，而係可以排後少少。

上線前檢查：口述影像五問

生成同混音完，唔好即刻出街。用呢五條問題自我檢查一次：

1. 有冇疊住對白？ 逐句對返時間碼，一有重疊就要改稿或者調語速。
2. 專有名詞讀音啱唔啱？ 人名、地名、機構名逐個聽一次。
3. 唔講嗰句，觀眾會唔會斷片？ 隨機抽幾個場景，淨聽旁述，睇下理解得唔得。
4. 旁述有冇搶戲？ 對白情緒高嘅位，旁述音量同語氣要讓路。
5. 全片一致性？ 同一角色、同一名詞，全片叫法同讀法要一樣。

呢五問唔使工具，用耳仔同稿就做得到，但捉到嘅問題最多。

常見問題 FAQ

口述影像同一般旁白配音有咩分別？

一般旁白係為畫面服務，可以連續講；口述影像係喺對白空檔之間「插空」，時間預算由對白決定，而且只描述畫面資訊。所以寫法同節奏控制完全唔同 —— 口述影像係一門獨立手藝，唔係配音嘅附屬。同一個製作團隊做開宣傳片旁白，第一次做口述影像，通常都要重新學「等空檔」呢件事。

唔係電視台，普通機構都做得起嗎？

做得起。關鍵係稿，其次先係聲。你只要有影片檔同時間碼，就可以按上面四步寫稿，再用 TTS 生成旁述。生成成本方面，以約 240 字符 ≈ 1 分鐘語音估算，一段十分鐘片嘅旁述大約兩至三千字符，開戶送嘅每月 5,000 字符（月月重置）就試到好一段。

TTS 讀音唔啱，特別係地名，點算？

三招：換寫法（用同音字或拆字引導）、加標點控制停頓、只重出有問題嗰一句。因為生成係逐段做，重出成本好低。詳細多音字處理方法見上面提到嘅多音字攻略。實務上，喺開稿階段就做好讀音清單，比生成完先執錯音，慳好多時間。

口述影像要唔要配字幕？

最好齊。口述影像服務視障觀眾，字幕服務聽障觀眾，係兩個唔同群體。一條片同時做兩樣，等於一次過開兩道門。而且同一份稿嘅文字內容，好多時都可以複用 —— 寫口述稿嗰陣順手留低文字版本就得。

長片（例如紀錄片）做口述影像，工作量有幾大？

主要在寫稿同對軸，唔在生成。生成係幾分鐘嘅事；難嘅係逐個場景寫旁述、逐句夾時間碼。實務做法係先做一兩個場景試行，摸清節奏再鋪開。由於改一段唔使動全片，前期試行嘅成本好低。

聲線揀男定女？要唔要同主持同一把聲？

冇硬性規定，以清晰穩定為先。如果片本身有固定主持，用同一把（或者近似音色）會令觀眾較易投入；如果係公共資訊片，揀一把中性、耐聽嘅聲就可以。重點係全片統一 —— 一時換一把，觀眾會亂。

口述影像會唔會影響原本嘅觀影體驗？

做好嘅口述影像唔會。因為佢只落空檔、只補畫面資訊，唔搶對白。真正會影響體驗嘅，係寫得差嘅口述稿（疊對白、複述劇情、語氣太搶）。換句話講，影響體驗嘅係工藝，唔係「有冇口述影像」呢件事本身。

[!CTA]

令你嘅影片「睇唔到都聽得明」

開戶即享每月 5,000 字符，逐段生成粵語旁述、即試即聽；長片分段出，改一段唔使動全片。去 港嘢 Playground 免費開始。