TTS 串流音頻完整指南：即時語音合成技術解析

一句答你：TTS 串流音頻即係系統一邊生成、一邊將音頻分段傳俾你，唔使等成段音檔做好先攞到；不過唔係所有粵語 TTS 平台都有串流，好多時用「先提交任務、再輪詢攞音檔」嘅非串流模式反而更穩陣，揀邊種要睇你嘅場景。

Key Takeaways

• 串流（streaming）係「邊生成邊播」，非串流（batch／file-based）係「生成完先攞檔」，兩者延遲體驗同工程複雜度完全唔同
• 串流最適合即時對話、互動語音助理、電話客服呢類「遲半秒都尷尬」嘅場景
• 內容製作（影片旁白、有聲書、字幕同步）通常唔需要串流，批量生成＋下載音檔更有效率
• 揀 TTS 服務唔好只睇「有冇 streaming」，仲要睇生成品質、粵語地道程度同埋錯誤處理
• 港嘢 API 用嘅係「提交任務 → 輪詢攞音檔」模式，適合內容製作流程；長文字重可以分批處理
• 無論邊種模式，文字預處理（多音字、標點停頓）對最終音質影響唔細

TTS 串流音頻係乜嘢？

TTS 串流音頻，英文叫 streaming TTS 或者 real-time TTS，意思係語音合成系統喺生成過程入面，將已經搞好嘅音頻段落即刻傳出去，而唔係等成段文字全部合成完、打包成一個完整音檔先交貨。

打個比方：串流就好似喺茶餐廳叫嘢食，廚房炒好一碟上一碟；非串流就好似叫到會，全部菜整好先一次過上齊。兩種方式最後你都食到嘢，但係「幾快有嘢食落肚」就完全唔同。

串流模式嘅運作原理

串流 TTS 通常用音頻流（audio stream）嘅方式傳輸，例如以 chunk（小段音頻數據）形式逐段送出。客戶端收到第一個 chunk 就可以開始播放，後面嘅段落一邊收一邊續播。對用家嚟講，體感延遲可能由「成段文讀完先出聲」變成「半秒一秒就有聲出」。

非串流模式嘅運作原理

非串流模式係將成段文字提交俾系統，系統生成完一段完整音檔（例如 MP3／WAV），再俾你下載或者用 URL 攞。呢個模式延遲較高，但勝在簡單、穩定、易處理錯誤——做唔掂就重試，唔會播到一半斷。

如果你用過港嘢嘅 API，就會知佢行嘅係後者：提交一個生成任務，拎到 job_id，再輪詢任務狀態，完成後攞音檔 URL。呢個設計對影片製作、批量配音、有聲內容生產特別夾，因為呢啲場景要嘅係「最終成品檔案」，唔係即時播放。想由頭了解成個 API 點用，可以睇下呢篇粵語 TTS API 快速上手。

串流 vs 非串流：點樣揀？

唔少人一聽到「串流」就覺得一定係先進啲、好啲，其實唔一定。下面幫你逐個角度比較。

邊啲情況真係需要串流？

第一，互動式語音應用。例如 AI 客服對話、語音機械人，用家問一句，系統要盡快答。如果合成一段十秒回覆要等幾秒先出聲，對話體驗會好差。呢類場景串流係剛需。

第二，電話系統／IVR。電話語音導航雖然好多時係預錄段落，但如果涉及動態內容（例如報讀戶口結餘），即時合成嘅延遲就會直接影響用戶體驗。

第三，直播或現場場景。例如現場活動嘅即時廣播、無障礙字幕配音等，內容係即時產生，冇得「等完成先播」。

邊啲情況非串流反而更好？

第一，影片配音同旁白。你做一條 YouTube 片或者教學影片，音頻係跟剪輯流程行嘅：生成→下載→入剪輯軟件→對位。等幾秒根本唔係問題，反而你要嘅係「成段音檔完整、品質可控」。相關流程可以參考YouTube 粵語 AI 旁白製作。

第二，有聲書同長篇內容。幾萬字嘅內容，你一定會想分章節生成、逐段校對，呢個係批量工作流嘅天下，串流幫唔到你。可以睇下長篇旁白生成指南。

第三，要同步字幕嘅內容。SRT 字幕工作流需要成段音頻先做到精準對時，呢啲用字幕同步工作流呢類非串流流程先搞得起。

一句講晒：串流解決嘅係「延遲體感」問題，唔係「品質」問題。如果你嘅產品唔需要即時播放，追串流係白花功夫。

串流 TTS 嘅技術考量

如果你評估嘅 TTS 服務聲稱支援串流，以下幾點要問清楚，唔好俾行銷字眼呃到。

首字延遲（Time to First Audio）

串流嘅核心指標唔係「總生成時間」，而係「幾快出第一下聲」。有啲服務會宣傳低延遲，但係講嘅可能係網絡延遲而唔係首字延遲。評估嘅時候記得用自己嘅真實文字長度去量度，唔好用服務商示範嘅短句——「你好」同一段三百字嘅客服回覆，延遲表現可以差好遠。

中斷同重連處理

串流連線有機會斷。斷咗之後點算？係咪要由頭生成？定係可以由斷點續傳？呢啲細節好多服務嘅文件都唔會寫得清楚，落手接駁之前最好問明。

長文字點處理

串流遇到長文本，通常要句子層面分段合成再串起。呢個過程入面，句子之間嘅停頓、語氣銜接會唔會自然，係好視乎平台嘅處理能力。粵語仲要多一層挑戰：多音字、語氣詞呢啲要喺合成前處理好，唔係串流唔串流可以迴避嘅問題。

粵語場景嘅特別挑戰

講粵語 TTS，串流仲要面對幾個語言層面嘅難點：

• 多音字：例如「重」讀「zung6」定「cung4」，要靠上文下理判斷，詳情可以睇廣東話多音字攻略
• 語氣詞：「㗎」「喎」「嘅」呢啲字處理得唔好，成段嘢即刻假，可以參考粵語語氣詞 TTS 處理
• 中英夾雜：香港人講嘢中英夾晒，串流分段合成時 English word 點讀，都要平台處理得好，詳見粵語中英夾雜 TTS

呢啲問題唔係串流獨有，但係串流模式入面你冇得「生成完先校對」，所以文字預處理要做得更足。

非串流工作流點樣做到接近即時？

如果你嘅需求卡喺中間——未到需要真正串流咁極端，但又想快——有幾招可以令非串流流程快好多。

預生成（Pre-generation）

動態內容入面，其實好多段落係固定嘅。例如電話系統嘅「你好，歡迎致電」，客服機械人嘅常用回覆，呢啲可以預先生成好存起，得真正動態嘅部分（數字、名字）即時合成。咁樣用家體感延遲即刻大減，你仲可以用非串流嘅穩陣模式。

並行任務

如果你有多段文字要生成，與其一個一個等，不如並行提交。港嘢 API 按方案有唔同嘅在途任務上限，令你可以同時跑幾個生成任務，整體流程時間縮短。批量工作嘅完整教學可以睇批量生成工作流。

輪詢策略

任務提交後唔使係咁密輪詢，可以逐步拉長間隔（例如首幾秒每秒問一次，之後兩三秒一次），減低無謂嘅請求量。呢啲實作細節喺點樣用 API 生成地道粵語語音有更詳細講解。

揀 TTS 服務：串流以外仲要睇乜？

好多人揀 TTS 服務時俾「有冇串流」兩個字主導，但如果你做嘅係內容製作，下面呢啲先係日常會撞到嘅痛點。

粵語地道程度

文字轉語音唔係「有聲出」就算。粵語九聲六調、懶音、語氣詞，任何一環處理得差，聽落就唔係香港人講嘢嘅感覺。揀服務時，一定要用自己場景嘅真實文字去試——含多音字、含中英夾雜、含口語嗰啲。可以參考廣東話 TTS 聲線試聽測試指南。

錯誤處理同穩定性

非串流模式嘅一大好處係錯誤可控：文字唔合規會有明確錯誤碼（例如文字超長會返特定 code，唔會靜靜截斷你嘅內容），任務失敗可以重跑。揀服務時睇吓佢嘅錯誤碼文件係咪清晰，呢樣嘢好多時反映平台嘅工程成熟度。

聲線選擇同控制

有冇足夠嘅粵語聲線？支唔支援情緒控制？支唔支援用文字指示調整演繹方式？呢啲對成品質素嘅影響，比起串流唔串流大得多。想深入了解，可以睇聲線揀選指南同情緒控制教學。

成本結構

串流服務有時會因為要保持連線而計費方式唔同，接駁前要清楚計費單位（按字符？按秒？按請求？）。如果你想比較唔同方案嘅成本，可以睇粵語 TTS 價格全攻略，或者用API 成本計算教學估算自己嘅用量。

港嘢喺呢件事上嘅定位

講明白：港嘢目前專注嘅係內容製作場景嘅粵語 TTS，API 用嘅係「提交任務 → 輪詢 → 攞音檔」嘅非串流模式。呢個取捨係有意識嘅：

• 內容創作者、企業培訓、媒體製作需要嘅係高品質、可控、可批量嘅音檔成品，唔係即時播放
• 非串流模式容許生成後全段校對，唔啱就改文字重新生成，製作流程更穩陣
• 配合批量生成、SRT 字幕輸出、多講者對話呢啲功能，成條製作流程可以自動化

如果你嘅場景係即時互動對話需要真串流，目前建議搵專門做 real-time 嘅服務；如果你嘅場景係做片、做出書、做課程、做廣告配音，噉任務式生成反而係啱你嘅工具。唔肯定自己屬於邊類？可以由廣東話 TTS 完全指南開始了解成個領域。

常見問題 FAQ

串流 TTS 同普通 TTS 有咩分別？

普通（非串流）TTS 係將成段文字合成完，先俾你一個完整音檔；串流 TTS 係一邊合成一邊將音頻分段傳出去，用家幾快聽到第一下聲。最終音頻內容可以一樣，分別在於交付方式同延遲體感。

我做 YouTube 影片配音，需唔需要串流？

唔需要。影片配音係跟剪輯流程行：生成→下載→對位。等幾秒生成時間對你嘅產出毫無影響，你反而需要嘅係成品可控、可以校對重生成，呢啲非串流模式做得更好。

乜嘢場景先真係需要串流 TTS？

即時對話類應用：AI 客服、語音助理、電話語音系統嘅動態報讀、直播場景等。呢啲場景嘅共通點係「內容即時產生、用家即時聽」，等成段生成完先播會好影響體驗。

串流 TTS 係咪音質冇咁好？

唔一定，但串流要句子分段合成再串起，段落之間嘅銜接自然度好視乎平台處理能力；非串流一次過合成成段文字，語調連貫性通常較易控制。不過最終都係睇個別平台嘅實現，唔可以一概而論。

港嘢支唔支援串流音頻？

港嘢而家專注內容製作場景，API 用嘅係提交任務、輪詢、攞音檔嘅模式，並冇主打串流播放。如果你嘅需求係影片旁白、有聲內容、批量配音，呢個模式已經足夠；如果有即時互動需求，建議直接同我哋講，等我哋了解你嘅場景。

文字太長點辦？會唔會被截斷？

唔同平台處理唔同，有啲會截斷，有啲會直接拒絕。港嘢 API 嘅做法係單次請求文字超長時會回明確錯誤碼，唔會偷偷截斷你嘅內容，你可以將長文分段提交，用批量方式處理，完整流程可以參考批量生成工作流嗰篇教學。

點樣開始試粵語 TTS？

最簡單係去港嘢 Playground 輸入你自己場景嘅文字試聽，用真實內容測先最準。想入門嘅話，可以由粵語 TTS 快速上手開始，逐步了解聲線揀選、文字預處理同生成流程。

[!CTA]

免費試吓港嘢嘅粵語 TTS

開個戶口即刻有試用額度，喺 Playground 用你自己嘅文字試聽，感受下地道粵語合成嘅效果：https://canto-gen.com/playground