點樣用 API 生成地道粵語語音

點樣用 API 生成地道粵語語音

港嘢（Canto-Gen）由底層為廣東話而設：九聲六調完整保留、入聲急收、連讀自然，「嘅／哋／咗」等助詞發音地道。呢篇講點樣用 API 嘅真實功能，生成最似香港人講嘢嘅語音。

揀聲線：GET /v1/voices

官方聲線全部為廣東話優化。用 GET /v1/voices 列出目錄，每個聲線有 slug、name、gender、age、styles 同 preview_url：

{
  "voices": [
    {
      "slug": "ho-yi",
      "name": "可宜",
      "gender": "female",
      "age": "young",
      "styles": ["gentle"],
      "preview_url": "https://canto-gen.com/api/voice-preview/ho-yi.mp3"
    }
  ]
}

slug 就係生成請求嘅 voice 參數。

點樣比較各家 TTS？

一般中文 TTS 將普通話模型硬套落粵語，聲調 flat、助詞讀錯。港嘢由底層為廣東話而設：九聲六調完整保留、入聲急收、連讀自然，「嘅／哋／咗」等助詞發音地道。呢個 heading 嘅 anchor id 係 #compare，可以拎嚟做頁內跳轉。

想知點揀聲線、點由頭玩到尾？睇埋篇廣東話 TTS 完全指南，全面攻略一篇搞掂。

用 emotion 控制語氣

每個請求可以用 emotion 指定 9 種演繹：

用 instruction 自由指示演繹

instruction 接受廣東話／中文／英文自由文字，最長 500 字元，例如「用興奮嘅語氣講，好似慶祝生日咁」。優先序 style → emotion → instruction，instruction 有最終話事權。

中英夾雜：language 參數

language 支援 yue（廣東話，預設）、zh（普通話）、en（英文）。中英夾雜係 feature 唔係 bug——直接喺 text 混入英文都得。

微調語速、音調、音量

• speed：0.5–2.0，預設 1.0
• pitch：−12 至 +12 半音，預設 0
• volume：0–10，預設 1

用 design 模式設計聲線

唔想揀 preset？用 design 描述一把合成聲線（gender + age）：

{
  "model": "cantogen-tts",
  "design": { "gender": "female", "age": "young" },
  "text": "今日天氣幾好，一齊去行山啦。",
  "emotion": "happy",
  "speed": 1.1,
  "srt": true
}

age 支援 young、midage、adult、senior。

用 clone 複製聲線

有參考音頻？用 clone 複製一把聲線（需要 tts:clone scope）：

{
  "model": "cantogen-tts",
  "clone": {
    "reference_audio": "data:audio/wav;base64,…",
    "prompt_text": "呢段係參考音訊嘅逐字稿。"
  },
  "text": "用我把聲講呢句嘢。"
}

reference_audio 係 base64 音頻樣本，10–30 秒乾淨樣本效果最好；prompt_text 係參考音頻嘅逐字稿，可提升複製準確度。

同步生成 SRT 字幕

"srt": true 會同步產生 SRT 字幕，配合 language 用。字幕按較高字元費率計費。

完整例子

curl -X POST https://canto-gen.com/v1/audio/speech \
  -H "Authorization: Bearer $CANTOGEN_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "cantogen-tts",
    "voice": "ho-yi",
    "text": "生日快樂！祝你心想事成！",
    "instruction": "用興奮嘅語氣講，好似慶祝生日咁",
    "speed": 1.1,
    "response_format": "mp3"
  }'