粵語 TTS 選型框架：點樣揀啱廣東話語音合成方案

一句答你： 揀粵語 TTS 唔使靠感覺——用「五步選型框架」逐項過：需求場景 → 質素驗證 → 成本測算 → 工作流整合 → 合規風險，半個鐘就可以由「唔知點揀」變成有清單有結論。

Key Takeaways

• 選型第一步唔係比較工具，而係寫清楚自己嘅場景：影片旁白、客服 IVR 定教育課程，要求完全唔同。
• 質素唔好淨聽官方 demo，用自己嘅真實稿去試聽，特別測多音字、懶音同中英夾雜。
• 成本要按「每千字符單價 × 預計用量」計，唔好淨睇月費數字；以港嘢為例，入門方案 200,000 字符月費 HK$128，即係約 HK$0.64／千字符。
• 免費額度多數係一次性試用（例如港嘢開戶每月有 5,000 字符，約 21 分鐘音頻），唔等於長期免費方案。
• 工作流整合（API、批量、字幕輸出）往往比「聲音好唔好聽」更影響長期效率。
• 有一份自己嘅選型清單，之後每次換工具或者加新場景，都可以重用同一套框架。

點解需要一個選型框架，而唔係直接試工具

如果你而家上網搜「粵語 TTS」，會搵到一大堆選擇：國際大廠嘅雲端語音服務、專做粵語嘅新平台、仲有各種免費線上工具。每一個都話自己自然、自己地道。如果你逐一試，好容易陷入「試咗十個，個個半斤八兩」嘅困境，最後憑感覺揀咗一個，用咗三個月先發現額度唔夠、API 唔支援批量、字幕要自己逐句對。

問題嘅根源唔係你揀得唔好，而係無框架。選型框架嘅作用，就係將「邊個工具好唔好」呢個主觀問題，拆成一連串可以客觀回答嘅細問題。你唔使係 AI 專家，只需要跟住五步行，就可以得出一個有理據嘅決定。

呢篇文會由頭到尾行一次呢個框架，每一步都畀你具體嘅檢查項同判斷準則。如果你想先了解粵語 TTS 嘅基本原理，可以睇我哋嘅廣東話 TTS 完全指南；如果已經有明確需求，想睇實際比較，可以直接跳去2026 年粵語 TTS 平台比較。

第一步：定義場景——你到底用嚟做乜

好多選型失敗，都係因為第一步已經錯：將「搵一個最好的粵語 TTS」當成目標。實際上冇「最好」嘅 TTS，只有「最啱你場景」嘅 TTS。同樣一個聲線，做 YouTube 旁白可能好好用，做銀行客服 IVR 就可能太活潑。

常見場景同核心要求對照

點樣用呢個表？先誠實咁答三條問題：

1. 內容長度：係 30 秒短片定 40 分鐘課程？長內容對「長文穩定性」要求高好多。
2. 更新頻率：一次性項目定每星期出片？高頻更新對「批量」同「API」要求高。
3. 聽眾期望：普通聽眾對懶音、語氣詞處理好敏感；一般資訊類聽眾相對寬容。

答完呢三條，你已經可以由幾十個工具縮窄到三至四個候選。想深入了解某個場景嘅細節，可以參考我哋嘅教育課程粵語配音指南同YouTube 粵語旁白 AI 攻略。

書面語稿定口語稿？呢個係場景判斷嘅隱藏分岔

好多人忽略：你手上嘅稿係書面語（新聞稿、教材原文）定係口語粵語（逐字稿、對白）？呢個直接影響選型。有啲工具讀書面語好順，但一遇「咁樣嘅啦」「係咪先」就會讀到硬繃繃；反之亦然。呢部分我哋喺書面語 vs 口語粵語 TTS 處理有詳細分析，選型之前建議先搞清楚自己嘅稿源。

第二步：質素驗證——點樣客觀咁評一把聲

「自然」「地道」呢啲形容詞冇用，你需要一套可以執行嘅測試法。以下係一個三十秒到五分鐘嘅測試流程，任何工具都適用。

測試方法：五段測試稿法

準備五段稿，每段針對一個易錯位，用同一批候選工具逐段生成，然後對照評分：

點解係呢五段？因為根據語言學觀察，粵語 TTS 最常出錯嘅位就係多音字、懶音同語氣詞。多音字嘅詳細原理可以睇廣東話多音字攻略，語氣詞處理可以睇粵語語氣詞點樣被 TTS 處理，中英夾雜可以睇中英夾雜粵語嘅 TTS 處理。

評分唔使複雜，每段畀 1 至 5 分，五段加埋 25 分滿分。有兩個以上候選達到 20 分以上，就可以進入成本比較階段；全部低於 15 分，就要考慮調整需求或者接受後期加工。

試聽 demo 同真實稿嘅分別

一個重要提醒：官方 demo 通常係精挑細選嘅「示範句」，唔代表你嘅內容表現。所以第五步測試一定要用你自己嘅稿，或者至少係你行業嘅典型文本。例如你做金融內容，就要用帶「按揭」「孖展」「息率」呢類詞嘅句子去試，唔好用一般旅遊文本。

呢個亦係點解我哋建議用有免費試用額度嘅工具做第一輪篩選——港嘢開戶送每月 5,000 字符（月月重置），約莫可以生成 21 分鐘音頻，足夠行完五段測試。其他平台嘅免費方案比較，可以睇免費粵語 TTS 工具比較。

第三步：成本測算——由月費倒推每千字符單價

價錢表好容易令人誤判。月費平唔等於慳錢，重點係「每千字符單價」同「你實際用幾多」。

點樣估算你嘅用量

一個好實用嘅換算：1 分鐘音頻 ≈ 240 個字符（以中文正常語速計）。所以：

• 10 分鐘旁白 ≈ 2,400 字符
• 每星期出一條 10 分鐘片 ≈ 每月約 10,000 字符
• 每日 1 小時課程內容 ≈ 每月約 144 萬字符

估算到自己用量之後，去每個候選平台嘅價錢表，將月費除以字符額度，得出每千字符成本。以港嘢為例（根據公開定價，最後核實 2026-10-08）：

留意幾個位：

1. 免費額度係一次性，唔係每月重發。好多平台都係咁，別以為可以長期免費白嫖。
2. 配額重置週期：付費方案一般按你自己嘅帳單週期重置，唔一定係月曆月一號，簽約前要問清楚。
3. 超額政策：有啲平台超額會自動收費，有啲係配額用完就停（港嘢屬於後者，加量靠買字符包，HK$0.80／千字符）。用完就停對預算控制有利，自動超額收費對不中斷生產有利——睇你嘅風險偏好。

隱藏成本清單

月費以外，仲有幾項容易漏：

• 後期製作時間：如果 TTS 出音要大量修音、對字幕，人工成本隨時高過訂閱費幾倍。有 SRT 字幕輸出嘅工具（例如港嘢支援生成時同步輸出字幕）可以慳好多時間，詳細工作流可以睇TTS SRT 字幕工作流。
• 重新生成嘅損耗：改一句稿要重新生成成段音頻？定係可以逐段改？批量同分段能力直接影響實際字符消耗。
• API 學習成本：如果你需要接入自家系統，開發時間都係錢。想比較各平台 API 嘅人可以睇粵語 TTS API 比較同API 成本計算機攻略。

如果想睇更多定價結構分析，我哋有一篇專文：粵語 TTS 價錢全攻略，同埋免費 vs 付費 TTS 點揀。

第四步：工作流整合——工具幾好都要嵌入你嘅流程

到呢一步你手上應該剩返兩三個質素合格、成本合理嘅候選。落一個問題係：佢哋點樣融入你而家嘅製作流程？

檢查清單

以下按「由輕到重」排列，你需要的整合深度越深，對平台要求越高：

Level 1：手動生成（個人創作者）

• 有冇網頁介面可以直接貼稿生成？
• 有冇 MP3 下載？音質格式係乜？
• 參考：粵語 TTS MP3 下載指南

Level 2：批量製作（每星期多條片）

• 支援唔支援一次過排多段稿？
• 支援唔支援腳本模板，方便重用？
• 參考：TTS 批量生成工作流同批量內容製作流程

Level 3：字幕同步（影片製作）

• 出音頻時可唔可以同步出 SRT？
• 字幕時間軸準唔準，需唔需要手動對？
• 參考：SRT 字幕同步編輯指南同影片字幕配音完整流程

Level 4：API 整合（產品／企業系統）

• API 文件齊唔齊？有冇 OpenAPI spec？
• 限流、並行限制、錯誤碼清唔清晰？
• 有冇沙盒環境可以先試？
• 參考：粵語 TTS API 快速上手同API 錯誤碼對照

舉個實例說明點樣睇呢啲規格：港嘢嘅公開 API 提供 sandbox key，免費同入門用戶都可以開（每日 20 個生成 call），等你可以喺未付費前先驗證整合可行性；批量生成就係專業方案以上先有，單次最多 25 項。呢啲限制唔係好壞問題，而係你需要在選型時就知道，唔好等到簽約先發現自己嘅 plan 用唔到某個功能。

仲有一個成日被忽略嘅檢查位：聲線係唔係可重用。有啲平台嘅「設計聲線」或「複製聲音」係 per-request，即係每次生成嗰把聲唔會儲存，下次要重新設計。如果你嘅場景需要「同一把聲長期用」，呢一點一定要問清楚。

第五步：合規同風險——最易漏但影響最深

最後一步，同聲音質素無關，但出事嘅代價最大。

授權範圍

• 生成嘅音頻可唔可以商業使用？有冇額外授權費？
• 用喺廣告、有償課程、客戶項目有冇限制？
• 聲音複製功能涉及他人聲音時，授權責任喺邊個？

資料同穩定性

• 你上傳嘅稿會唔會被用嚟訓練？有冇明確政策？
• 平台歷史紀錄保存幾耐？（例如港嘢按方案由 15 日到 120 日唔等）
• 如果平台停止服務，你嘅內容同已付額度點算？

長期供應商風險

一個務實建議：唔好將成個製作流程鎖死喺單一平台。保留你嘅腳本原稿、測試稿同評分紀錄，萬一要轉平台，可以喺一日之內用同一套測試法重新驗證新工具。呢個亦係呢個五步框架嘅附帶好處——佢唔止幫你揀工具，仲係一份可重用嘅評估資產。

企業用戶如果需要更深入嘅合規評估，可以參考企業培訓粵語配音指南同客戶服務粵語 TTS 應用。

五步框架總覽：一頁用得嘅選型清單

第一步 場景定義
  □ 內容長度？更新頻率？聽眾期望？
  □ 書面語稿定口語稿？
  → 產出：場景要求排名（質素／成本／整合優先次序）

第二步 質素驗證（五段測試稿法）
  □ 多音字 □ 中英夾雜 □ 語氣詞 □ 長句停頓 □ 數字
  → 產出：候選工具評分表（25 分制，門檻 20 分）

第三步 成本測算
  □ 估算每月字符用量（1 分鐘 ≈ 240 字符）
  □ 計每千字符單價
  □ 查免費額度性質（一次性定循環）
  □ 查超額政策同隱藏成本
  → 產出：候選工具月度總成本

第四步 工作流整合
  □ 屬邊個 Level（手動／批量／字幕／API）？
  □ 聲線可唔可以重用？
  → 產出：整合可行性確認

第五步 合規風險
  □ 商業授權 □ 資料政策 □ 保存期限 □ 供應商風險
  → 產出：風險清單同後備方案

五步全部完成，你手上已經唔係「一個感覺」，而係一份有數據、有評分、有風險清單嘅選型決定文件。呢份文件將來換工具、向上司匯報、或者擴展新場景時，都可以直接重用。

邊個唔使行晒五步？

公平咁講，唔係人人都需要完整框架：

• 一次性小項目（例如幫一條片配旁白）：行第一步同第二步就夠，用免費額度試完直接揀最好嗰個。
• 長期內容計劃（每星期出片、企業系統接入）：五步都要行，特別係第三步同第五步，因為你嘅累積成本同風險敞口最大。
• 中間情況：行晒五步，但每步可以行得快啲——框架係為咗令你有信心，唔係為咗拖慢你。

選型嘅本質唔係搵「最好」嘅工具，而係搵一個「你知道點解揀佢」嘅工具。前者靠運氣，後者靠框架。

常見問題 FAQ

選型時應該最著重聲線質素定價錢？

睇場景。如果係高曝光內容（廣告、品牌片），質素權重應該高啲，因為一把差嘅聲影響成個品牌觀感；如果係大量內部培訓內容，成本同批量效率權重可以高啲。框架嘅作用就係逼你先諗清楚場景，再決定權重，而唔係一開始就被價錢或者 demo 迷住。

免費粵語 TTS 工具可唔可以直接用嚟做正式內容？

部分可以，但通常有限制。免費工具常見限制包括：商業授權唔清、字符額度少、聲線選擇少、冇 API。如果係個人 hobby 內容，免費工具足夠；如果係商業項目，建議至少行埋第三步同第五步，確認授權同穩定性。詳細分析可以睇免費粵語 TTS 完全指南。

五段測試稿法要花幾耐時間？

準備稿約 15 分鐘（或者直接用文入面嗰五類例子自己寫），每個候選工具生成五段約 10 分鐘，聽同評分約 15 分鐘。即係話每個候選工具約半個鐘，三個候選一個下午搞掂。呢個投資換嚟一個未來幾年都唔會後悔嘅決定，係好抵嘅。

我唔識技術，API 相關嘅檢查使唔使做？

如果你嘅工作流係「網頁貼稿、下載音頻、自己剪片」，咁 Level 1 已經足夠，API 可以完全唔理。但係如果你預計未來會想自動化（例如用 AI 寫稿後自動生成音頻），或者團隊會擴大，建議至少確認候選平台有 API 同埋文件齊全——唔使即刻用，但要有呢個選項。

聲音複製功能值得為佢揀一個平台嗎？

睇用途。如果你需要特定人物嘅聲線（品牌代言人、自己把聲），複製功能係必要；如果只需要一般旁白聲線，圖庫聲線通常已經夠用，而且授權風險低好多。留意一點：有啲平台嘅複製聲線係 per-request 唔會儲存，每次都要重做，呢點對長期項目好重要，選型時必須確認。

港嘢喺呢個框架下嘅定位係乜？

客觀咁講：港嘢係專注粵語嘅平台，定價由免費（每月 5,000 字符）到工作室方案（HK$688／1,400,000 字符）都有，支援圖庫聲線、情緒控制、SRT 字幕、批量、API 同沙盒 key。佢最啱嘅場景係「以粵語為主要語言、需要長期穩定產出」嘅創作者同企業。當然，我哋建議你用呢個框架去驗證，包括用免費額度行五段測試，而唔係淨睇我哋自己講。

選完之後幾耐應該重新評估一次？

建議每 6 至 12 個月重測一次，或者喺以下情況即刻重測：你嘅用量大幅增加（可能跳價階）、平台改價或者改功能、你有新場景需求、或者市場上有明顯新選擇。因為你有現成嘅測試稿同評分表，重測成本好低，一個下午就搞掂。

[!CTA]

用免費額度行一次你嘅五步測試

即刻去港嘢 Playground 試聲線、貼你嘅真實稿，開戶即有每月 5,000 字符夠你完成成套測試。