TTS 測試策略完整指南：上線前點樣驗證粵語語音品質

一句答你： 一套好嘅 TTS 測試策略，核心係「固定語料、盲聽評分、分維度計分」：設計覆蓋聲調、多音字、語氣詞、中英夾雜同長文本嘅標準測試集，用同一套稿試晒唔同聲線同參數，逐項打分再加權計總分，先可以公平比較出品質，避免靠一兩次即興試聽揀錯聲。

Key Takeaways

• 測試範圍定五大維度：讀音準確、語氣節奏、中英夾雜、長文穩定、場景匹配
• 語料要覆蓋粵語聲調：經典六調字組「詩史試時市是」係基本盤
• 粵語仲有懶音、變調、入聲三個特有挑戰位，語料要專門覆蓋
• 評分要盲聽：隱藏聲線名、隨機排序，先至公平
• 每個維度獨立計分再按業務加權，唔好一籃子講「好唔好聽」
• 測試唔係一次性：稿件類型變、產品更新、定期例行，都要重測

點解需要一套 TTS 測試策略？

好多內容團隊揀語音工具嘅方法係：貼兩句稿、撳生成、聽一聽、憑感覺話「呢把聲幾正」。問題係——你嗰兩句稿可能恰好係個工具擅長嘅句式，換轉另一類稿（例如多語氣詞嘅口語稿、中英夾雜嘅廣告稿、人名地名密集嘅新聞稿），表現可能完全兩回事。憑一兩次即興試聽做決定，同擲硬幣分別唔大。

仲有一個更隱蔽嘅問題：聽感會疲勞。你朝早聽第一把聲覺得幾正，聽到第五把已經麻目，最後揀嗰把好多時唔係最好，只係「啱啱好嗰下聽得舒服」。冇結構、冇記錄嘅試聽，結果唔可以重複，亦冇得檢討。

一套正式嘅測試策略，目的係將「聽落幾好」變成可以比較、可以重複、可以追踪嘅評分。尤其係粵語——聲調多、多音字多、口語同書面語差異大，冇結構化測試，好容易揀咗一把「讀稿靚但口語甩轆」嘅聲線，上線先發現，成批內容要重做。如果你未睇過通用嘅評測方法學，建議先補一篇粵語 TTS 評測方法入門，再返嚟套用落自己業務。

邊啲場景最需要正式測試

三個情況特別值得投入：一是要長期大量產出（例如每週幾十條片），揀錯聲嘅成本會隨產量放大；二是品牌相關成品（廣告、品牌影片），語氣唔啱直接影響觀感；三是多聲線多場景（例如教育課程要唔同性別、唔同年齡層嘅聲），需要確保每一把都過關，唔可以淨係驗一把。反過來講，如果你係一次性、小規模嘅個人項目，簡化版測試——十句核心語料加一次盲聽——都夠用，重點係有一個固定標準，唔係規模大細。

測試範圍：五大維度

維度一：讀音準確度

粵語聲調唔單止影響語感，仲會直接改變字義——「詩」（si1）同「時」（si4）係兩個字，調讀錯就等於字讀錯。所以測試第一關係讀音：常用字有冇讀錯？多音字有冇揀啱讀法？會唔會出現明顯懶音問題（例如 n、l 聲母混淆）？呢個維度嘅測試成本最低、回報最高——讀錯字係受眾最敏感嘅硬傷，一句讀錯，成段嘅專業感即刻破功。多音字可以專門抽一批高風險字詞去試，詳細清單同自救方法可參考廣東話多音字攻略。

維度二：語氣同節奏

粵語語氣詞（喇、啦、囉、喎、啩、咋）係口語嘅靈魂，讀得生硬，成句嘢即刻假。測試要專門準備帶語氣詞嘅句子，聽佢哋係咪自然帶出情緒，而唔係機械式照字讀出。另外標點停頓位、句子之間嘅節奏變化，都屬於呢個維度——一段好嘅配音唔會由頭到尾同一個速度同一個調，而係有快有慢、有起有伏。測呢樣嘢嘅方法好簡單：準備一段情緒起伏大嘅稿（例如宣佈好消息再轉入溫馨提醒），聽佢轉折位處理得自不自然。

維度三：中英夾雜

香港人講嘢日日中英夾雜：「幫我 book 房」「send 個 file 俾你」。測試稿必須有呢類句式，聽英文詞讀出嚟順唔順、同廣東話接駁有冇甩轆、英文詞前後嘅語調銜接自不自然。特別要留意縮寫同專有名詞——公司名、產品名夾喺句子入面嘅讀法，係廣告配音嘅高頻翻車位。中英夾雜嘅深入分析可以睇code-switching 處理實況一文。

維度四：長文本穩定性

短句好聽唔代表長文穩定。用幾百字嘅旁白稿測試，留意中後段會唔會出現節奏失衡、停頓錯位、同一個字唔同位置處理不一致等問題。長文嘅問題往往喺第三四段先浮現，所以長文本測試稿唔可以慳——起碼一段 300 至 500 字符嘅完整旁白，由頭聽到尾，唔好跳住聽。

維度五：場景匹配度

同一把聲，讀廣告稿同讀教材嘅要求完全唔同：前者要感染力，後者要清晰穩定。測試語料應該直接由你真實業務場景抽稿（脫敏之後），唔好用通用樣板句子代替。樣板句測出嚟嘅「幾好聽」，落場未必啱用。呢個維度亦都係「最好聽嘅聲」同「最啱你嘅聲」嘅分野位——幾正嘅聲線，讀你嘅產品說明可能完全唔夾。

粵語特有嘅三個挑戰位

粵語測試比起普通話測試，有三樣嘢要特別照顧，設計語料時要專門加進去。

第一係懶音。廣東話日常傾偈好多懶音——n、l 聲母唔分、ng 開頭嘅字甩咗聲母——日常講嘢冇問題，但語音合成出懶音，聽落就係「唔夠清晰」。測試語料要包含 n／l 對比字（例如「你」同「李」）、ng 聲母字（例如「我」「牙」），聽 TTS 讀唔讀得出正音。懶音嘅類型同矯正，係一門完整學問，測試時起碼要知道呢兩類高頻位。

第二係變調。粵語有豐富嘅變調現象：同一個字喺某啲詞入面會轉用另一個調，經典例子係「糖」（本讀 tong4，低平調）喺好多日常詞入面會變讀高升調。變調讀唔到，聽落就係「每隻字都照字典死讀」，係機械感嘅重要來源。測試可以準備幾個含變調字嘅常用詞，聽處理得自然唔自然。

第三係入聲。入聲字以 -p、-t、-k 韻尾短促收音，係粵語保留古漢語特色嘅重要一環。「一」（jat1）、「百」（baak3）、「白」（baak6）呢類字要聽佢係咪短促有力——如果入聲字讀到拖長，成段嘢就會「唔似廣東話」。呢三樣嘢加埋，就係點解粵語 TTS 嘅測試語料唔可以直接借普通話測試集嚟用嘅原因。

測試語料點樣設計？

聲調覆蓋：由六調到入聲

設計語料時，起碼要有覆蓋六個基本調型嘅對比句。經典字組係「詩史試時市是」，六個字正好代表六調，可以直接組成一句短句聽聲調區分度；入聲字可以加「一、七、百、白、十、六」呢類字去試，例如組一句「一百七十」聽入聲處理。如果唔肯定某個字嘅標準讀音，查中大人文電算研究中心嘅粵語審音配詞字庫，唔好靠估。拼音標注方面，香港語言學學會粵拼（Jyutping）係業界通用方案，想學識睇拼音可以由粵拼入門教學開始。

詞表同句式設計

語料建議五類句式，每類起碼五至十句：純中文陳述句、帶語氣詞口語句、中英夾雜句、數字同日期句（電話號碼、日期、銀碼讀法係常見地雷）、疑問句同感嘅句。句子長度要有長有短，方便測節奏變化。全部寫死做一份語料文件，標明版本，次次評測都用同一版——語料一變，結果就唔可以同舊評測比較。

測試步驟：五步評測流程

跟住呢套流程行，結果先有可比性：

• 第一步：固定語料。用同一版測試集，唔好臨場加減句子；所有聲線都用同一套稿。
• 第二步：固定參數。除咗你想比較嗰樣嘢（例如聲線），其他設定（語速、風格、情緒）全部一致。參數唔一致，分咗都唔知係聲線嘅功勞定參數嘅影響。
• 第三步：盲聽評分。將所有音檔隨機排序、隱藏聲線名，搵兩三個人分開聽分開評，避免標籤效應。
• 第四步：逐維度打分。每個維度用 1 至 5 分，記低具體問題位置（第幾句、邊個字讀錯），唔好淨俾個總分——冇定位嘅總分冇得改善。
• 第五步：覆核同裁決。彙總各評審分數，分歧大嘅項目一齊重聽裁決，最後計出各維度平均分。

呢套流程同粵語 TTS 準確度評測指南嘅框架一致，想再深化盲聽設計可以配合試音方法完整指南一齊用。

評分表範例：一個實際計分示範

假設你揀咗兩把聲線做最後決賽，權重係：讀音 30%、語氣 25%、夾雜 15%、長文 15%、場景 15%。兩位評審盲聽之後嘅平均分如下：

加權計算：甲 = 4.5×0.30 + 4.0×0.25 + 3.5×0.15 + 4.0×0.15 + 4.5×0.15 = 4.18；乙 = 4.0×0.30 + 4.5×0.25 + 4.5×0.15 + 4.0×0.15 + 3.5×0.15 = 4.13。

兩把聲總分好近，但留意分佈：甲係「讀音穩陣、夾雜一般」，乙係「夾雜勁、場景夾唔夠」。如果你係做社交短片（夾雜多），乙先係正解；做教材（讀音要求高），甲穩陣啲。呢個正正係點解要分維度、唔好淨睇總分嘅原因——總分相似嘅兩把聲，可能擅長完全唔同嘅場景。

常見測試陷阱

• 只試一把聲一把稿：至少兩把聲線對照，先知道「好」係相對定絕對
• 用自己嘅稿由頭播到尾冇筆記：問題位唔記低，之後冇得跟進
• 頭幾把聲用心聽、後面求其：順序效應係真嘅，所以一定要盲聽加隨機排序
• 一個評審話事：聽感主觀，單一意見容易偏差，最少兩三人
• 淨係用耳機聽：受眾好多時用手機喇叭聽，起碼用兩種設備各聽一次
• 測完唔存檔：音檔同分數唔留低，幾個月後冇得對比
• 淨係聽順稿：要專登試啱高風險稿——多音字密集、夾雜多、長段旁白

幾時要重新測？

三個時機：一係稿件類型大變（由廣告稿轉做教材稿），要針對新場景重測場景匹配度；二係產品或者聲線有更新，重新跑一次核心測試集確認冇退化；三係每隔幾個月定期重測一次，因為聽感標準會隨團隊同受眾變化。測試唔係一次性項目，係品質管理嘅常規動作——同產品品質檢查一樣，要有回歸測試嘅概念。順帶一提，嗰份測試集仲係新同事嘅培訓教材：新人用同一套語料試評一輪，同老手嘅分數對一對，聽感標準就校好咗。

常見問題 FAQ

測試集要幾多句先夠？

建議起碼 30 至 50 句，覆蓋晒五大維度，每類句式五至十句。太少會以偏概全，太多會令評審疲勞、評分失真。寧可精，唔好多。

一個人評得唔得？

最好兩三個人。粵語聽感好主觀，單人評分好容易受個人偏好影響。人手真係唔夠，起碼要同一個人隔幾日評兩次，檢查自己嘅評分一致性。

淨係測讀音夠唔夠？

唔夠。讀音係底線，但語氣、節奏、夾雜處理先係「好唔好聽」嘅關鍵。廣告、短片類內容尤其係咁——讀音全對但語氣生硬嘅配音，受眾一樣會滑走。

盲聽點樣做到？

將音檔重新命名做隨機編號（A07、B12 呢類），評審唔知道邊個編號係邊把聲線。統計分數之後先至拆開對照。最好由第三方幫手改名排順序，避免自己都認得。

分數幾多先算合格？

冇絕對標準，但常見做法係：任何維度低過 3 分（5 分滿分）直接淘汰；總分 4 分以上先考慮主力用。條線由你自己度，重點係事先定好，唔好臨時因為鍾意某把聲而改標準。

測試結果可以直接攞去宣傳嗎？

內部評測結果係供自己決策用嘅。如果想對外講品質，要用可以核實嘅公開規格同方法描述，唔好將內部主觀評分當成客觀宣傳數據——一來難以服眾，二來標準一變，講過嘅話收唔返。

語料可以用真實業務稿件嗎？

應該用，而且係最好嘅做法。通用樣板句測唔出場景匹配度，直接抽你日常會出嘅稿（敏感資料脫敏之後）做語料，結果最有參考價值。記住抽埋嗰啲「最難」嘅稿——多音字密集、夾雜多、長段旁白，順稿人人都讀得順，難稿先見真章。累積幾輪評測之後，呢啲真實語料就係你團隊最值錢嘅測試資產，記得版本化管理。

[!CTA]

而家開始建立你嘅測試集

去 playground 揀把聲試跑你嘅語料，免費額度足夠你完成第一輪盲聽評測。