廣東話有聲書 AI 推薦與應用指南

一句答你： 廣東話有聲書 AI 唔係「一部機械讀晒你本嘢」咁簡單，而係一條由文案整理、聲線揀選、段落拆分、情緒控制到批量後製嘅完整工序鏈。揀啱工具同工序，一個人都可以出到成季 podcast 同埋一整本有聲書。

Key Takeaways

• 廣東話有聲書 AI 嘅核心唔係技術，而係「點樣令 AI 識得用廣東話嘅口語節奏講故事」
• 文案要先拆段、改口語、加粒子字，唔好直接丟書面文稿入 TTS
• 聲線揀選要睇角色分配、情緒範圍、廣東話腔口同穩定度
• 批量生成（items、SRT）係專業／工作室 plan 先有，成本同效率差好遠
• 預算要按「字符」計而唔係按「集數」計，一集 10 分鐘大約 2,400 字符
• 有聲書項目通常 API + Playground 混合用，純靠 UI 整會撞到配額牆

廣東話有聲書市場點解仲係 AI 嘅痛點

好多人以為有聲書 AI 化就係打開 TTS 工具、貼篇文稿、撳掣、攞 audio 咁簡單。普通話市場的確已經接近呢個狀態 — 因為普通話 TTS 訓練數據多、聲線多、成品聽落接近電台主播級。但廣東話唔同。廣東話係「寫出嚟同講出嚟差好遠」嘅語言，書面語嘅字序、量詞、連詞、語氣詞，講落去會生硬到爆。想理解呢個差距，可以參考廣東話 TTS 完全指南嘅整體框架。

傳統做法係請聲優錄。一集 30 分鐘 podcast，聲優一日最多錄 4–6 集（仲要睇當日狀態），收費按小時計，一本 5 萬字嘅書動輒幾萬蚊起跳。AI 化嘅吸引力正正喺度：成本低、可以無限重錄、可以同一時間出多個 A/B 版本。但前提係 — 你要解決「AI 識唔識用廣東話講故事」呢個根本問題。

AI 有聲書化嘅核心工序

一套完整嘅廣東話 AI 有聲書流程，大概分五步：

1. 文案整理：將書面稿轉成口語稿，加粒子字、調整字序
2. 段落拆分：按 1–500 字符嘅 API 上限切段
3. 聲線配對：按角色同情緒揀聲線、定 styles
4. 生成 + 監聽：逐段生成、聽、調整、再生成
5. 後製 + 字幕：合併音檔、加 SRT、出片上架

每一步都有廣東話嘅獨特考慮，唔可以照搬普通話 TTS 嘅 workflow。

文案整理：書面先好定口語先好

好多初次做有聲書嘅人嘅最大錯誤，就係直接將書面稿丟入 TTS。表層修改「由於 → 因為」、「進行 → 做」、「因此 → 所以」呢啲都係基本功。但更深一層嘅調整包括：

• 加粒子字：「啦」「嘅」「咩」「囉」「嘅啫」「㗎喎」等等，係廣東話情緒嘅載體
• 處理書面量詞：「個」「隻」「條」「位」嘅選擇要跟口語直覺
• 中英夾雜：科技、財經、生活類 podcast 大量出現英文 term，要保留嗰種「code-switching」嘅自然感
• 系統性嘅書面 vs 口語差異，可參考書面語同口語嘅廣東話分別

呢一步偷唔到雞。粒子字決定咗成段嘢「似唔似人講嘢」。

段落拆分嘅硬限制

API 嘅 text 參數上限係 500 字符（同步捷徑 300 字符），超過會直接 400 text_too_long，唔會自動截斷。所以長文一定要預先拆段。一段 5,000 字符嘅 podcast 文稿，要拆成 10 段或以上。

拆段嘅藝術喺度：唔好喺中間截斷一句，要喺語氣停頓位（句號、感嘆號、轉場位）分，否則生成出嚟會有「食字」感或者語氣斷裂。角色對白轉場亦係天然拆段點。

聲線同演繹：點樣揀啱有聲書嘅聲線

有聲書唔同 60 秒短片。一本小說可能講幾十個角色、跨越幾個時空、情緒起伏大。聲線揀錯成個 project 就報銷。

聲線揀選嘅四個維度

1. 腔口：港式廣東話、台式粵語、澳門粵語差好遠。九成香港有聲書市場嘅 target 都係港式
2. 性別 + 音色：男聲、女聲、青年、中年、磁性、清亮 — 影響角色分配同情緒表達
3. 情緒範圍：有啲聲線只適合講平敘，有啲可以由搞笑講到喊戲，呢個差異對長篇項目影響深遠。詳見情緒控制攻略
4. 穩定度：長篇項目最忌「聲線飄移」，幾十集之後個聲變咗另一個人。呢個要靠測試同比較多條聲線先發現

Canto Gen 嘅聲線圖庫每條都附有 [preview clip]，可以喺揀之前先聽晒再決定。聲線識別用 slug（例：sum = 心妍），中文名只係 UI 顯示，方便 API 整合。

一個人點樣 handle 多角色

單聲線有聲書（旁白為主、加一兩個主要角色）用一條主聲線 + 情緒控制就夠。多角色（5 個角色以上）通常做法：

• 主角用一條穩定嘅主聲線，旁白同對白分開講
• 反派、搞笑角色用另外聲線做對比
• 龍套角色用 design 模式（gender + age）即時生成，唔需要預設聲線
• 情緒起伏大嘅場景，逐段生成，唔好貪快一批過

廣東話長文點樣拆畀 AI 先唔會走味

字數估算

廣東話 TTS 大約 240 字符／分鐘。換言之：

• 10 分鐘 podcast ≈ 2,400 字符
• 30 分鐘一集 ≈ 7,200 字符
• 一本 5 萬字嘅有聲書 ≈ 200 分鐘（≈ 3.3 小時）
• 100,000 字符 ≈ 417 分鐘（接近 7 小時）

呢啲數字會直接影響你揀 plan 同預算。詳見廣東話 TTS 定價同成本分析。

拆段策略

預拆 + 後期合併 vs 邊生成邊聽

兩種工作流各有擁躉。預拆（一次過拆好晒再批量生成）慳時間，唔使逐段人手控制；邊生成邊聽就靈活，但慢好多。如果係專業 Pro 或工作室 Studio plan可以用批量 items（一次最多 25 個），效率同預拆差唔多，但 API 體驗好好多。免費同入門 Starter plan 冇批量 API，純靠 UI 逐段點會好慢。

情緒同語氣：點樣令有聲書唔變機械讀稿

有聲書最致命嘅問題就係「AI 感」— 太過平均、太過平穩、太過「讀稿」。

情緒控制工具

emotion 同 instruction 兩個參數就係為咗呢個存在。emotion 可以指定一段嘅主導情緒（neutral／happy／sad／angry 等等），instruction 可以畀自由指示（例：「用媽媽鬧仔嘅語氣講」、「呢段要壓低聲，似自言自語」）。兩者配合用，廣東話有聲書嘅情緒層次會豐富好多。詳細參數組合同測試結果可參考情緒控制攻略。

不過要留意：情緒標錯比冇情緒更差。一段搞笑對白標 sad，出嚟會詭異到爆。所以生成後一定要逐段聽，唔好盲信參數。

粒子字係廣東話嘅靈魂

香港人講嘢唔會冇粒子字。「咗」「嘅」「啦」「囉」「嘅啫」「㗎喎」「喎」 — 全部都係情緒嘅 carrier。AI 讀出嚟冇呢啲字，就算聲線幾靚都會似「外國人講廣東話」。所以文案階段就要大量加粒子字，唔可以靠生成時補。完整粒子字 list 同實際用法可參考廣東話粒子字攻略。

同音字陷阱

廣東話有海量同音字（「係／市／試」「唔／吾」「啦／喇」），AI 會揀錯。一本小說入面主角叫「陳世」可能會被讀成「陳試」、地名「九徑」變「九鏡」之類嘅尷尬情況。處理方法：喺文案階段就用全形廣東話寫法配合語境，或者用發音指示同 anchors。廣東話多音字攻略有完整處理方法，角色名、地名、專有名詞特別要小心。

批量生成：點樣一個鐘整到幾集

為何需要批量

一本書 50,000 字符，逐段丟入 UI 撳，撳到手軟。用 API 配 items 一次過送最多 25 段，省好多功夫，整個工序可以自動化接駁 CMS 或者生成 script。

批量嘅資格

• 專業 Pro 同 工作室 Studio 先可以帶 items 參數
• 免費同入門 Starter帶 items → API 回 403 batch_requires_pro，零提交、零扣費（唔會扣 quota）
• 免費同入門可以開 sk_test_ sandbox key，每日 20 個生成 call，純粹試接 API 工作流；升級 Pro 即時變 full key

批量嘅陷阱

• 批量係「全有或全無」驗證：任何一段無效 → 成批 400 invalid_items，所以送出去之前要逐段試過
• 在途任務上限按方案分級：免費 3、入門 5、專業 10、工作室 20 — 超上限 429 in_flight_limit_reached
• 批量一次請求只扣一次限流，唔係每段計（呢個係優點）
• Rate limit 預設 60/min，撞到 429 跟 Retry-After header 退後

完整批量工作流設計（由拆段、組裝 items、錯誤處理到合併音檔）可參考 TTS 批量生成工作流。

成本預算：有聲書項目要計幾多錢

按 plan 計

冇超額收費 — 配額用完就完，要加量就買字符包（HK$0.80／1K，最細 HK$50 = 62.5K 字符）。

按每集成本計

• 入門 HK$128／200K = HK$0.64／1K → 一集 10 分鐘 ≈ HK$1.54
• 專業 HK$338／600K = HK$0.5633／1K → 一集 10 分鐘 ≈ HK$1.35
• 工作室 HK$688／1.4M = HK$0.4914／1K → 一集 10 分鐘 ≈ HK$1.18

批量、急件、節奏緊嘅項目 → 工作室最抵；新手試水溫 → 入門夠用；獨立創作者做中型項目 → 專業係 sweet spot。

API vs Playground：點樣揀適合你

用 Playground 嘅情況

• 一集、兩集，唔會重複
• 想即時聽效果再改
• 唔想寫 code
• 純粹做測試同 demo

用 API 嘅情況

• 一個項目出幾十集以上
• 想自動化（CMS → 生成 → 上載）
• 要批量（專業／工作室限定）
• 想接 agent／MCP
• 唔想逐次人手撳

兩者唔係二揀一。實際項目多數係混合：先用 Playground 試聲線、調情緒，確定 master voice 之後轉去 API 批量做晒成個 project。

點樣由零開始一個有聲書項目

1. 準備文案：書面稿 → 口語稿（加粒子字、調字序）
2. 拆段：按 300–500 字符切，標記角色同情緒
3. 試聲線：喺 playground 揀 3–5 條聲線，每段生成 2–3 個版本比較
4. 定 master voice：揀定一條主旁白聲線，跑晒全書
5. 批量生成：用 API items 一次送最多 25 段（專業／工作室限定）
6. 聽 + 修：逐段聽、逐段修、再生成
7. 合併 + 出 SRT：用 SRT 模式自動出字幕
8. 上架 + 發佈：audiobook host、YouTube、Spotify 等

整個流程熟練之後，一本 5 萬字嘅有聲書可以喺 1–2 個禮拜搞掂（傳統聲優錄要 2–3 個月），而且可以無限重錄。

廣東話有聲書 AI 嘅位置

依家 AI 有聲書已經由「demo 階段」進入「生產階段」。傳統聲優錄唔會消失（高端製作、明星 IP、有版權要求嘅項目仍然請人），但中小型 podcast、有聲書、課程、培訓內容呢啲市場，AI 化嘅成本同速度優勢太大，傳統模式難以競爭。

廣東話市場特別值得注意：因為廣東話 TTS 嘅技術門檻高（聲線選擇相對少、訓練數據稀缺、書面口語差距大），能夠做到「自然聽」嘅工具唔算普及。當呢個 gap 縮細，本地創作者生態會被好快釋放 — 一個人、一支咪、一個 API key，就可以出到一個專業 podcast 系列。

常見問題 FAQ

廣東話有聲書 AI 同普通話 TTS 最大分別喺邊？

廣東話嘅「書面語同口語」差異大好多，AI 預設輸出偏向書面化，要靠文案階段加粒子字、調字序先可以達到「自然聽」嘅程度。普通話市場 AI 化已經好成熟，廣東話仲有相當大嘅調整空間。如果用對工序，廣東話有聲書嘅自然度可以追近普通話，但功夫不可省。

AI 生成嘅廣東話有聲書音質可唔可以接受？

睇用咗幾多功夫做文案同校聲。做好粒子字、情緒控制、逐段監聽嘅項目，可以做到「自然聽」嘅程度，聽眾唔會即刻意識到係 AI。但要做到頂級電台主播級，每一段都需要逐段調整、逐段重錄。AI 唔等於「零功夫」，而係「功夫嘅內容變咗」 — 由錄音調整變成文案調整、參數調整、聲線調整。

用 AI 出有聲書嘅版權要點處理？

要視乎用嘅文本來源：自己寫嘅文案、公有領域作品、有授權嘅文本，用 AI 轉成有聲書，版權一般冇問題。具體情況建議搵專業法律意見。Canto Gen 唔對用戶上傳文案嘅版權狀態作判斷，呢個係用戶自己嘅責任。

一集 30 分鐘 podcast 要幾多字符？

大約 7,200 字符（按 ~240 字符／分鐘計）。即係入門 plan（200K 字符）夠做接近 28 集。具體成本計算可參考廣東話 TTS 定價入面嘅字符估算表。

點解唔可以直接將書面文稿丟畀 TTS？

因為書面廣東話同口語廣東話嘅字序、量詞、連詞、語氣差好遠。AI 讀書面文稿出嚟會「好正」。A:output 會聽落生硬，似讀稿，唔似講嘢。預先做口語化整理係必須工序，唔係「nice to have」。

批量生成係咪必須？

視乎項目大小。單集或幾集唔需要，playground 已夠。十集以上嘅 podcast、整本有聲書、課程系列 — 批量 API 係唯一實際可行嘅做法，否則成本同時間都過高。免費同入門 plan 想試批量嘅工作流，可以用 sandbox key 每日 20 個 call 做 POC，確認工序之後升級專業或工作室 plan 解鎖完整批量。

廣東話有聲書 AI 仲有咩常見陷阱？

最大陷阱係「以為 AI 識自動做晒」，結果直接丟書面稿就出片。第二大係「聲線飄移」（長項目幾十集之後聲線走樣，要靠穩定嘅聲線同樣嘅參數）。第三係「忽略同音字」（廣東話同音字多，角色名、地名特別易中招）。呢啲全部都要靠工序同監聽解決，冇捷徑。

---

有聲書嘅世界唔再係「請聲優、租錄音室、等幾個月」嘅格局。AI 化嘅最大意義唔係慳錢，而係令「我想做 podcast、有聲書」嘅入門門檻降到接近零。當你唔再因為成本而放棄嘅時候，內容生態自然會蓬勃。

[!CTA]

即刻去 Canto Gen Playground 試粵語 TTS

開戶每月免費 5,000 字符，唔使信用卡，直接貼文、揀聲線、聽效果，自己感受下工序