粵語 TTS API 比較：Google、Azure、AWS 邊個最啱你？

一句答你：揀粵語 TTS API，唔係鬥邊個功能多，而係睇佢嘅粵語覆蓋深度、API 設計模式、配額透明度同聲線粵語原生度，邊樣啱你嘅工作流。想核對某個粵語字嘅標準讀音，可查 CUHK《粵語審音配詞字庫》。

Key Takeaways

• 粵語 TTS API 比較嘅核心係「粵語 locale 深度」同「API 友善度」，唔係 feature 數量
• 揀 API 要睇四大維度：locale 支援、async／sync 模式、配額制度、定價透明度
• 市場上提供粵語 TTS 嘅服務大致分三類：雲端大平台、粵語專門工具、AI 聲音克隆平台
• 比較唔應該淨係睇 demo，要實際用粵語文字（包括語氣詞、多音字、中英夾雜）去試
• 落地粵語內容要處理語氣詞、多音字、書面語 vs 口語等粵語特性
• 揀 API 之前先用 Playground 試聲線同 API 行為，唔好齋睇文件

點解要認真比較粵語 TTS API

揀 TTS 服務，好多人第一時間諗到嘅係「邊個最平」或者「邊個功能最多」。但粵語 TTS 同普通話 TTS 唔同，粵語有自己嘅聲調（六個調類加 -p／-t／-k 入聲韻尾）、變音、語氣詞系統，仲有大量中英夾雜嘅用法。如果一個 API 嘅粵語覆蓋只係「順便有」，出嚟嘅效果通常都係「聽得明但唔地道」。

所以比較粵語 TTS API，第一步唔係睇功能表，而係問：呢個 API 係咪以粵語為核心去設計？聲線係咪 native 粵語聲線，定係用普通話聲線「扮」粵語？API 設計有冇考慮粵語文字嘅特性？

如果你想由頭了解粵語 TTS 嘅背景、技術框架同應用場景，可以睇 廣東話 TTS 完全指南。本篇會集中講點樣系統化咁比較 API，等你可以用一張 checklist 揀到啱你嘅服務。

揀粵語 TTS API 嘅核心維度

比較 API 唔係鬥多 feature，而係睇幾個關鍵維度。

粵語 locale 嘅深度

唔同服務對「粵語」嘅處理差異可以好大。表面睇都話「支援粵語」，但實際上：

• 係咪有專屬粵語聲線，定係用普通話聲線加粵語發音規則？
• 聲調、變音處理係咪自然？例如「眼鏡」geng3-2 呢類詞彙變音做唔做啱
• 多音字處理係咪按粵語習慣？例如「行」讀 haang4／hang4／hong4
• 中英夾雜嘅處理：英文人名、地名、術語點讀

呢啲細節唔係 demo 試一兩句就見到，要用真實嘅粵語內容去測先知。想核對標準讀音，可以查中大《粵語審音配詞字庫》。想了解揀 API 嘅具體準則同 trade-off，可以參考 粵語 TTS 選購指南。

API 設計模式

API 設計直接影響你點樣接入系統。常見模式有：

唔同模式有唔同限制，例如 sync 通常有字符上限，async 可以處理長文但要管理 job state。如果你係開發者，API 設計嘅差異會直接影響代碼複雜度同錯誤處理邏輯。

配額同成本結構

TTS API 嘅定價模式可以好唔同：

• 訂閱制：月費加字符額度，額度用完要加購字符包
• 用量制：按字符收費，無封頂
• 混合制：訂閱 + 超額

要留意嘅係：係咪有超額自動收費？定係額度用完就停？歷史記錄保留幾耐？呢啲細節會直接影響成本可控性。詳細嘅成本分析可以睇 粵語 TTS 定價攻略。

聲線同演繹控制

聲線數目唔係越多越好，而係要睇：

• 聲線係咪粵語原生（即係聲線本身係咪用粵語錄製）
• 有冇演繹風格（styles）可以揀，例如新聞式、對話式、廣告式
• 情緒控制（emotion）嘅粒度
• 聲線設計（design）嘅彈性
• 聲音克隆（clone）嘅可行性同限制

主流粵語 TTS API 速覽

市場上提供粵語 TTS 嘅服務大致可以分為三類。以下只係分類描述，唔係排名，亦唔係推薦。

雲端大平台

國際雲端服務商嘅 TTS API，通常係 Speech 服務嘅一部分。特點係：

• 支援多國語言，粵語只係其中一個 locale
• 文件完整、SDK 齊全
• 企業級 SLA
• 粵語聲線數量通常唔多，但質素穩定

優點係穩定同有保障；缺點係粵語唔係佢哋嘅主打，聲線選擇有限，定價通常以美元計算。公開市場上比較有代表性嘅包括 Microsoft Azure Speech 等國際雲端服務。

粵語專門工具

專門做粵語 TTS 嘅服務或者工具，特點係：

• 粵語係核心產品，聲線設計同訓練都圍繞粵語
• 通常會考慮粵語嘅特殊情況：語氣詞、多音字、中英夾雜
• 規模較細，但對粵語嘅支援深度通常較高

優點係粵語地道；缺點係規模細、API 文件可能冇雲端大平台咁完整、SLA 唔一定到位。

AI 聲音克隆平台

以聲音克隆（voice cloning）為核心賣點嘅平台，粵語係其中一個支援語言。特點係：

• 可以用自己嘅聲音或者第三方聲音去生成
• 聲線數量可以無限擴展
• 通常有免費額度俾你試

優點係彈性大；缺點係質素參差、克隆聲線嘅合法性同倫理要自己處理、API 設計可能冇專門 TTS 服務咁成熟。公開市場上包括 ElevenLabs 等以聲音克隆起家嘅平台。

如果你想直接睇 2026 年市場上唔同服務嘅橫向對比，可以參考 粵語 TTS 2026 對比旗艦文章。

比較表：粵語 TTS API 應該問嘅問題

下面呢張表列出比較粵語 TTS API 時應該問嘅問題，而唔係邊個服務「最好」。

呢張表嘅重點唔係叫你逐個服務去填，而係用嚟做你嘅自評 checklist。

點樣落地粵語 TTS API

揀完 API 之後，落地嘅時候仲有幾個實戰問題要處理。

文字預處理

粵語文字同普通話文字睇落好似，但實際差異好大：

• 語氣詞：「嘅」「咗」「㗎」「喇」「囉」等等，唔可以隨意刪走
• 多音字：「行」可以讀 haang4（行路）或者 hong4（銀行），要根據語境揀
• 中英夾雜：好自然嘅粵語入面會有英文詞，唔係 bug
• 書面語 vs 口語：新聞稿同對話嘅寫法完全唔同

批量工作流

如果你係做 YouTube 頻道、課程、廣告等需要大量旁白嘅工作，單次提交唔夠用，要用批量 API。批量嘅設計細節好重要：

• 一次可以提交幾多段？
• 失敗嘅話係全失敗定部分失敗？
• 點樣追蹤每段嘅狀態？
• 並行任務上限係幾多？

SRT 字幕對齊

如果你做嘅係影片旁白，SRT 字幕對齊係基本要求。揀 API 嘅時候要留意佢嘅支援範圍，唔好假設全部 API 都做 SRT：

• 有啲 API 接受 SRT 格式嘅時間軸輸入
• 有啲 API 可以輸出 SRT 字幕
• 有啲 API 兩樣都做
• 有啲 API 唔支援 SRT（只可以做 TTS）

API 接入嘅實際步驟

如果你係開發者，第一次接入粵語 TTS API 嘅時候，建議跟住呢個順序：

1. 睇 API 文件：確認 locale、聲線、endpoint、錯誤碼
2. 攞 API key：通常要註冊帳號
3. 用 Playground 試聲線：唔好直接寫代碼，先試聲線、語氣、情緒
4. 寫第一個 sync 請求：用最短嘅文字試（例如一句「你好」）
5. 試 async 請求：用長啲嘅文字試，學識 poll job
6. 試批量：如果有需要
7. 處理錯誤碼：寫 retry logic 同 fallback

詳細嘅 API 入門可以睇 粵語 TTS API 快速上手。

揀 API 嘅實戰建議

先用 Playground 試聲線

文件睇完都唔及親耳聽。揀 API 嘅第一步應該係用佢哋嘅 Playground 或者試聽功能，試下：

• 同一段文字用唔同聲線讀出嚟嘅分別
• 演繹風格嘅效果
• 情緒控制嘅粒度
• 長文嘅穩定性

唔好只用一句「你好」去試，要用你實際會用嘅文字類型去試。

留意 API 文件嘅細節

API 文件嘅質素往往反映服務嘅成熟度。要留意：

• 有冇 OpenAPI spec（可以自動生成 client）
• 錯誤碼表係咪完整
• 有冇 rate limit 嘅說明
• 有冇 webhook 或者 callback 機制
• CORS 設定（如果你係前端直接 call）

留意成本嘅可預測性

TTS API 嘅成本唔止睇月費，要睇：

• 字符點計算？係咪包含空格、標點？
• 有冇最低消費？
• 升級 plan 嘅成本跳躍係咪合理？
• 取消訂閱係咪可以保留歷史記錄？
• 字符包嘅單價係咪一致？

留意供應商嘅持續性

• 公司背景同融資狀況
• 粵語係咪佢哋嘅長期 roadmap
• API 版本政策（會唔會突然 breaking change）
• 客戶支援嘅質素同回應速度

常見錯誤

揀 API 之前嘅最後提醒

比較粵語 TTS API 嘅時候，最容易犯嘅錯係用普通話 TTS 嘅標準去評粵語 TTS。粵語有佢自己嘅語音、詞彙、語法系統，一個普通話做得好好嘅服務，喺粵語上面可能完全唔掂。

所以比較嘅時候，要用粵語實際會用嘅文字去試，包括語氣詞、多音字、中英夾雜、長短句混合。

另一個常見嘅錯誤係淨係睇 demo 唔睇 API。Demo 嘅聲線可能好聽，但 API 嘅設計可能好難用。

揀 API 係第一步，用得啱先係重點。

常見問題 FAQ

讀音資料來源（tier-1）：香港中文大學《粵語審音配詞字庫》、香港語言學學會粵拼方案。測試 API 讀音準確度時可用該字庫做對照。

粵語 TTS API 同普通話 TTS API 有咩主要分別？

主要分別喺 locale 嘅深度。普通話 TTS 通常有大量聲線、完整文件、成熟 SDK；粵語 TTS 嘅選擇相對少，而且唔係每個服務都係以粵語為核心設計。具體差異包括：粵語聲線嘅 native 度、語氣詞處理、多音字規則、中英夾雜支援等。

點樣判斷一個粵語 TTS 服務係咪「地道」？

最直接嘅方法係用粵語實際會用嘅文字去試，包括語氣詞（「嘅」「咗」「㗎」「喇」）、多音字（「行」讀 haang4 定 hong4）、中英夾雜（「我 send 個 file 俾你」）。可以對照中大《粵語審音配詞字庫》 嘅標準讀音。如果出嚟嘅效果聽落似「普通話扮粵語」，咁就唔算地道。

Sync 同 async API 應該揀邊個？

睇使用場景。短句（例如幾十字符以內）、互動式應用（例如 chatbot）適合 sync；長文（例如幾百到幾千字符）、批量生產適合 async。如果 API 兩種都支援，可以根據字符長度動態揀。

粵語 TTS API 嘅收費單位通常係咩？

通常係按字符收費，但唔同服務嘅字符定義可能唔同：有嘅唔計空格、有嘅計標點、有嘅用 Unicode codepoint 計。揀之前要睇清楚收費單位，唔好假設全部一樣。同時要留意係咪有超額自動收費、字符包單價係咪一致。

點樣處理粵語 TTS 嘅多音字問題？

兩個方向：一係喺文字預處理階段用人手或者規則去標示（例如用 IPA 或者自訂 tag）；二係用有粵語原生支援嘅 API，等佢根據語境自動判斷。前者可控但工作量大；後者簡單但要信任 API 嘅判斷。實際應用通常會混合兩種方法。

批量生成嘅時候失敗點處理？

視乎 API 嘅設計。有啲係「全有全無」驗證（任何一段失敗就全部唔提交），有啲係「部分失敗」（失敗嘅段會有錯誤碼，成功嘅段會繼續）。揀 API 嘅時候要留意呢個設計，亦要喺自己嘅代碼入面做好 retry 同 fallback。同時要留意並行任務上限。

揀 API 嘅時候應該優先睇聲線數量定聲線質素？

質素。聲線數量多但每條都「差唔多」嘅話，實際用嘅時候揀唔出嚟。質素高嘅聲線，就算數量少，都可以 cover 大部分場景。建議用你實際會用嘅文字類型去試，同時留意聲線係咪 native 粵語聲線。

---

[!CTA]

親耳試下粵語 TTS API

去 Playground 揀聲線、試 API 行為、計成本，幾分鐘就上手唔使註冊。