粵語 TTS 準確度測試指南：點樣設計一套公平嘅評測流程

一句答你：粵語 TTS 準確度測試，唔係淨係聽一句「你好」就夠，要用多音字、語氣詞、中英夾雜、數字量詞、聲調韻律等多個維度嘅語料做盲聽對照，先試得出個系統喺香港日常場景入面嘅實際表現。

Key Takeaways

• 粵語 TTS 準確度要分多個維度睇，唔可以用一個 score 概括
• 自製測試語料最好包含「對照組」，即你自己讀一次嘅錄音，畀評分者盲聽對比
• 盲聽評分要 3 個評分者以上，每個 case 至少聽兩次，先減少主觀偏差
• API 可以做批量生成，但「啱唔啱」嘅判斷仍然要靠人耳
• 唔好迷信單一指標，要睇實際使用場景嘅 case failure rate
• 持續監察先有用，一次測試只係 snapshot

點解要測粵語 TTS 準確度？

粵語 TTS 唔同普通話 TTS，最大嘅難處係廣東話有大量同普通話唔同嘅讀音規則。例如「行」喺普通話係「xíng」，喺廣東話可以係「hàhng」（行路）或者「háng」（行業），要靠上下文先知讀邊個。一個 TTS 系統如果淨係識按普通話邏輯推斷，讀出嚟就會好奇怪。

所以測試唔係 luxury，係必須。特別係如果你打算用 TTS 做商業內容——YouTube 旁白、短片配音、客服 IVR、有聲書——讀錯一個字就足以令觀眾覺得「呢個 AI 唔識粵語」，信任就跌晒。香港觀眾對廣東話嘅敏感度好高，錯一個語氣詞都會被 catch 到。

但點樣測，先至測得啱？

準確度要睇咩維度？

多音字讀音

廣東話有幾百個多音字，常見嘅有「行」「重」「長」「為」「將」「便」等等。同一個字喺唔同詞入面讀音可以完全唔同。測試語料一定要包含呢類字嘅多個例句，先試到個 TTS 識唔識按上下文揀讀音。

詳細嘅多音字攻略可以參考 廣東話多音字攻略。

語氣詞同口語化

「嘅」「咩」「喎」「啦」「囉」「㗎」呢啲語氣詞係廣東話嘅靈魂。如果 TTS 將「你食咗飯未呀？」讀成「你食咗飯未啊？」，就已經唔地道。測試語料要專門設計一節語氣詞 case，覆蓋唔同位置（句首、句中、句尾）嘅語氣詞。

可以參考 廣東話語氣詞 TTS 攻略 了解點樣用 instruction 控制呢類字嘅讀法。

中英夾雜

香港人日常講嘢大量中英夾雜：「我 send 個 file 畀你」、「可唔可以 schedule 個 meeting」、「個 app 又 crash」。TTS 要識得讀英文詞（用廣東話發音嘅英文），而唔係跳過、靜音、或者用普通話讀。測試要包含呢類 case，仲要分「英文短詞」、「英文長詞」、「品牌名」幾種。

中英夾雜嘅詳細處理可以睇 廣東話中英夾雜 TTS 攻略。

數字、量詞、單位

「一個人」、「兩隻貓」、「三本書」、「四張凳」——量詞要識。「100 蚊」、「50 歲」、「3.5 公斤」——數字同單位要識讀法。「1984 年」要識讀年，「第 23 屆」要識讀序數，「打 12345678」要識讀電話號碼。呢類 case 容易忽略，但係日常對話好常見。

聲調同韻律

粵語有 6 個聲調（陰平、陰上、陰去、陽平、陽上、陽去），加埋入聲字（以 -p、-t、-k 結尾），韻律規則比普通話複雜。測試要包含長句，聽吓個 TTS 識唔識自然斷句，唔會一路讀到尾氣都唔唞。仲要包含問句、感嘆句、陳述句三種句式。

自製測試語料嘅步驟

收集對照組

你自己讀一次。每個 case 你親自讀一遍，做「黃金標準」。呢個對照組唔係用嚟評分，係用嚟畀評分者對比。對照組嘅錄音質素要好，用專業咪高費錄，唔好有背景噪音。 風### 設計測試 case

每個維度（多音字、語氣詞、中英夾雜、數字量詞、長句）至少 10 個 case。Case 要有正例（應該讀啱嘅）同反例（容易讀錯嘅）。

例：

• 多音字正例：「我行先，你等等」（hàhng，行路）
• 多音字反例：「呢條路好行」（hàhng）vs「銀行」（hóng）

每個 case 要有 metadata：預期讀音、難度（易／中／難）、類別。咁後續分析先方便。

盲聽評分

搵 3 個以上以廣東話為母語嘅評分者。每人獨立聽，唔知邊個係 TTS 邊個係真人。評分可以用 5 點 scale：

• 5：完全自然，聽唔出係 AI
• 4：自然，少少瑕疵
• 3：可接受，但明顯係 AI
• 2：唔自然，有明顯錯誤
• 1：完全唔啱，聽唔明

每個 case 至少聽兩次，先減少第一印象嘅偏差。

量化指標

計平均分、標準差、case failure rate（邊個 case 所有人評 ≤ 2 分）。Case failure rate 比起平均分更有用，因為一個失敗嘅 case 就足以毀咗成段內容。一段 5 分鐘嘅旁白，只要中間有一句讀錯，觀眾就會記住嗰句。

仲可以按維度分開計 failure rate，咁就睇得出個 TTS 喺邊個維度最弱，方便針對性改善。

常見測試盲點

淨係測短句

「你好」、「今日天氣好」呢類短句，每個 TTS 都讀得幾好。真正嘅難題係長句、複雜句、混合語言。所以測試一定要有長句，至少 30 字以上，最好 50 字以上。

淨係測書面語

如果你嘅使用場景係口語（YouTube 旁白、短片配音），但你用書面語做測試，就會高估個 TTS。書面語同口語嘅讀法有好大分別。口語會有更多語氣詞、更多英文夾雜、更短嘅句子。

評分者唔識粵語

如果評分者係普通話母語，佢哋會覺得「好似差唔多」，但其實廣東話使用者會聽到明顯錯誤。一定要搵以廣東話為母語嘅人做評分，最好係喺香港長大或者住過幾年嘅人。

一次測試就當永恆

TTS 系統會更新，模型會迭代。今日測試嘅結果可能下個月就過時。測試要定期重做，至少每季一次。

忽略品牌名同專有名詞

品牌名（例如公司名、產品名）如果係中英夾雜或者新造詞，TTS 可能讀錯。測試要包含你嘅實際使用場景會出現嘅專有名詞。

點樣用 API 做自動化測試

如果你用 廣東話 TTS API 做測試，可以將測試語料放入批量請求，一次過生成所有音頻。咁可以慳好多時間，唔使逐個 case 撳。

但要記住：API 生成音頻只係第一步，「啱唔啱」嘅判斷仍然要靠人耳。自動化可以做嘅係：

• 將音頻檔案統一命名（case_001_tts.wav）
• 生成對照組嘅 metadata
• 將音頻同 metadata 打包畀評分者
• 收集評分結果、計指標
• 出報表

真正嘅「準確度」判斷，仲係要靠人。

點解唔好迷信單一指標

市面上有啲 TTS 服務會話自己有「98% 準確率」呢類數字。但呢啲數字嘅測試語料點組成、評分標準係咩、評分者背景係咩，冇人知。對你嚟講冇意義。

你要做嘅係建立你自己嘅測試語料，按你自己嘅使用場景設計 case，搵你自己嘅評分者。咁先試得出個 TTS 喺你嘅場景入面係咪夠準。

如果你想比較唔同 TTS 服務，可以參考 廣東話 TTS 2026 對比。

點樣持續監察準確度

建立測試語料庫之後，每次 TTS 系統更新就跑一次。記錄每次嘅 case failure rate。如果某次更新之後 failure rate 上升，就要留意，可能係新版本喺某個維度退步咗。

可以將測試語料庫放入版本控制（Git），每次更新 commit 一次評分結果。長期累積就可以見到趨勢，知道個 TTS 係越嚟越好，定係越嚟越差。

仲有，收集真實用戶反饋。你嘅觀眾如果話「呢段嘢讀得好怪」，就要攞嗰段去分析，睇係邊個 case 失敗，再加入你嘅測試語料庫。

總結

粵語 TTS 準確度測試唔係一件簡單嘅事。要分多個維度，要有對照組，要有盲聽評分，要有量化指標，要持續監察。

最重要嘅係：測試要貼近你嘅實際使用場景。唔好為咗「測試」而測試，要為咗「用」而測試。

常見問題 FAQ

粵語 TTS 準確度測試應該包含邊啲維度？

至少要包含五個維度：多音字讀音、語氣詞同口語化、中英夾雜、數字量詞、聲調同韻律。每個維度都要有正例同反例，先試得出個 TTS 識唔識按上下文揀讀音。

點樣判斷 TTS 讀音啱唔啱？

最直接嘅方法係盲聽對比。搵 3 個以上以廣東話為母語嘅評分者，每人獨立聽 TTS 音頻同真人錄音，畀 5 點 scale 評分。Case failure rate（所有人評 ≤ 2 分嘅比例）比起平均分更有參考價值。

邊類字最容易讀錯？

多音字最易讀錯，例如「行」「重」「長」「為」「將」等。語氣詞次之，例如「嘅」「咩」「喎」。中英夾雜嘅英文詞第三，如果 TTS 識得用廣東話發音讀英文就好，如果用普通話邏輯讀就好奇怪。

點樣做盲聽測試？

將 TTS 音頻同真人錄音打亂次序，唔畀評分者知道邊個係邊個。每個 case 至少聽兩次。評分者要獨立評分，唔可以商量。3 個以上評分者先減少主觀偏差。

粵語 TTS 點樣處理英文詞？

理想嘅做法係用廣東話發音讀英文詞，例如將「file」讀成類似「fai-l」嘅音。如果個 TTS 識得處理就好好，如果唔識就要靠 instruction 或者事前處理。詳細可以睇 廣東話中英夾雜 TTS 攻略。

點解有時啲字讀晒音？

可能係 TT錯 將入聲字（-p、-t、-k 結尾）當普通字尾讀，唔識保留入聲。或者係長句斷句問題，將應該停頓嘅位冇停。測試要包含入聲字 case 同長句 case，先可以分辨係邊個問題。

點樣持續監察準確度？

建立固定測試語料庫，每次 TTS 系統更新就跑一次。記錄 case failure rate，長期累積趨勢。仲要收集真實用戶反饋，將失敗 case 加入語料庫。測試語料庫本身都要定期更新，唔好十年都用同一批 case。

[!CTA]

開始你嘅粵語 TTS 準確度測試

去 Playground 試吓你嘅語料，睇吓實際讀出嚟係點