粵語聲音複製工具比較：五大廣東話 AI 語音平台觀察

一句答你：粵語聲音複製工具嘅比較，核心係睇三樣：對廣東話聲調同語氣詞嘅支援、所需參考音頻嘅要求、同埋最終生成嘅自然度。本文幫你釐清揀選維度、常見工具分類同實際使用時嘅考量，等你自己試之前心入面有把尺。

Key Takeaways

• 粵語聲音複製（voice clone）需要參考音頻，比普通 TTS 多一步前置工序
• 揀工具要睇四個維度：廣東話支援深度、參考音頻要求、生成自然度、API 同定價
• 坊間工具大致分四類：國際大型平台、廣東話專門工具、純 TTS 工具、API-first 平台
• 唔同工具對廣東話聲調、語氣詞（例如「嘅」「喇」「㗎」）嘅處理參差
• 港嘢 clone 要 tts:clone scope；clone 出嘅聲線係 per-request，唔儲存成可重用 asset
• 用之前要諗清楚版權、肖像權、deepfake 風險同商業授權條款

粵語聲音複製係咩？同普通 TTS 有咩分別？

聲音複製（voice cloning）係指你攞一段參考音頻，比對系統學你把聲嘅音高、節奏、咬字習慣，然後用呢套聲去讀新嘅文字。

普通 TTS — 不論係 preset 圖庫聲線定係 design 條件合成 — 都係直接生成新聲；聲音複製就係用「真人樣本」去 fit 一把聲。所以兩者最大分別係：

• 普通 TTS：拎文字 → 直接生成，無需參考音頻
• 聲音複製：拎文字 + 參考音頻 → 生成；前置工序多一步

喺廣東話場景，聲音複製特別常見嘅用途包括：

如果你只係想要一把「自然嘅廣東話聲」，普通 preset 聲線已經夠用；只有當你必須用特定一把聲嘅時候，先需要 clone。

揀粵語聲音複製工具嘅四個關鍵維度

唔同工具差異好大，唔好單睇價錢。建議由以下四個維度去比較：

一、廣東話支援深度

唔係所有 TTS 都真正支援粵語。有啲工具用普通話模型頂住，結果廣東話出嚟聲調錯晒、語氣詞完全冇晒。

睇嘅時候可以留意呢幾個位：

• 聲調：廣東話九聲六調，模型要識分
• 語氣詞：「嘅」「喇」「㗎」「喎」「啦」「嘛」呢啲常用助詞要識讀
• 中英夾雜：香港人成日中英混講，工具要識處理
• 書面語 vs 口語：例如「係」同「喺」、「佢」同「它」，工具要識分情境

呢方面嘅背景知識，可以睇下 粵語 TTS 完全指南，入面有專門章節講廣東話特性點影響 TTS 表現。

二、參考音頻要求

每個工具要求嘅參考音頻都唔同，由幾秒到幾分鐘都有。揀之前要問清楚：

參考音頻質素差，clone 出嚟嘅聲都會差。所以揀工具前要了解清楚：

• 最少要幾長樣本
• 樣本要唔要讀指定文本
• 樣本質素門檻（例如 SNR、咪高峰類型）
• 會唔會對背景音樂、噪音敏感

三、生成自然度

自然度係最主觀、最難量化嘅一環。建議自己拎幾段測試文本試聽：

• 日常對話文本：睇語氣詞、停頓位準唔準
• 數字、英文、專有名詞：睇中英夾雜表現
• 長段落：睇節奏會唔會越讀越機械
• 情緒變化：有啲工具支援情緒控制，有啲唔支援

比較嘅時候唔好淨睇官方 demo，因為 demo 一定揀最好嗰句播。自己攞幾段自己行業嘅文字去試，先見到真章。

如果你嘅內容需要情緒維度，可以對比下 情緒控制攻略，睇下情緒呢樣嘢點樣影響自然度。

四、API、定價、配額

如果你打算批量、自動化、或者結合自己嘅系統用，就要睇：

• API 定價：每次 clone 收幾錢、每千字符幾錢
• 配額：每月有冇字符上限
• 並行任務：可以同時 run 幾多個 job
• 歷史保留：生成記錄保留幾耐
• API key 限制：可唔可以分 key 限速、限額

用量穩定嘅用戶，可以參考 粵語 TTS 揀選攻略 入面嘅成本分析框架，再對比各平台官方定價頁。

主流粵語聲音複製工具分類

注意：以下分類係基於公開觀察（截至 2026 年 10 月），唔代表完整市場。各工具功能同定價以官方最新公告為準；具體規格唔喺呢度列數字，避免引用過期資料。

按定位分，目前市面大致有四類工具會出現粵語聲音複製功能：

國際大型語音平台

呢類平台規模大、模型成熟，通常支援多種語言包括粵語，但廣東話深度未必係佢哋嘅主打。代表例子有：

• Microsoft Azure Speech：企業級穩定，粵語係其中一個 locale
• MiniMax Audio：國際用戶多
• ElevenLabs：以英文起家，近年加入多語言支援
• Narakeet：偏向影片配音工作流

呢類平台通常適合：需要多語言、穩定 API、企業級 SLA 嘅用戶。廣東話深度就因平台而異，要實際試過先知。

廣東話專門工具

呢類工具專攻粵語市場，通常對聲調、語氣詞、中英夾雜嘅處理會比較貼地。常見有：

• cantonese.ai
• cantonesettsai.com
• cantovoice.com

呢類工具通常適合：純粵語內容、需要地道口語、預算唔係最大嘅用戶。注意佢哋嘅更新頻率、客戶支援、API 文檔完整度都因平台而異，揀之前要試清楚、睇清楚條款。

純文字轉語音工具（部分有 clone 功能）

例如 Ondoku 呢類主打簡單文字轉語音嘅工具，部分會加入 clone 或者自訂聲線功能。呢類工具嘅強項係入門門檻低、UI 友善，但 clone 深度同可控性未必夠。

適合：偶爾用、對聲線要求唔高、唔想搞 API 嘅用戶。

API-first 平台（針對開發者）

呢類工具以 API 為主、playground 為輔，適合需要集成、批量、自動化作業嘅用戶。

港嘢（Canto-Gen）就屬於呢類。佢嘅聲音複製功能（mode: clone）需要 tts:clone scope 嘅 API key，係 async job 模式，唔支援 sync 捷徑 — 帶 clone 喺 sync endpoint 會回 400 clone_not_supported_sync。免費同入門 plan 雖然可以開 sandbox key（每日 20 個生成 call），但 sandbox 帶 tts:clone 嘅情況建議先確認清楚，正式用就先開正式 key 試。

仲有一點要留意：clone 同 design 一樣，係 per-request 嘅聲線，唔會儲存成可重用嘅 asset。即係話每次提交都要重新帶參考音頻，唔可以好似 preset 聲線咁用 slug 直接拎返出嚟重用。

如果你已經決定用 API 路線，可以由 粵語 TTS 快速上手 開始。

粵語聲音複製嘅實際挑戰

即使揀到工具，粵語聲音複製仲有幾個實際挑戰要面對：

聲調、懶音、變音

廣東話嘅聲調複雜，六聲九調已經難搞，加上仲有懶音（n/l 唔分）、變音（睇你 vs 睇埋你嘅 ni1），每個人把聲唔同。Clone 系統要學到呢啲微細特徵先算像樣。

如果你嘅樣本係有強烈個人口音嘅人，clone 結果可能只似六七成；如果你嘅樣本係標準新聞主播聲，似嘅程度會高啲。

樣本質素陷阱

參考音頻有幾個常見陷阱：

• 背景音樂：有 BGM 嘅樣本，clone 系統可能連 BGM 都學埋
• 咪高峰距離：太遠有迴音，太近有爆音
• 房間殘響：空房錄嘅聲同細房錄嘅聲唔同
• 情緒唔一致：一段笑一段喊，clone 結果情緒會飄

建議錄參考音頻嘅時候按呢個 checklist 做：

中英夾雜

香港人成日中英夾雜，例如「我 send 個 file 畀你」、「呢個 feature 幾好用」。Clone 系統對英文嘅處理參差，有啲會變成奇怪口音，有啲會讀錯，有啲會突然跳返普通話。

多人對話

有時候一段文本係兩個人傾偈，呢類 case 多數要分兩次 clone，或者用其他技巧（例如分段交畀唔同聲線讀）。完整嘅配音工作流可以參考 粵語配音攻略。

邊類用戶揀邊種工具？

用實際場景去配對工具：

內容創作者 / YouTuber

需求：固定把聲、批量製作、可能要配合字幕 建議：API-first 平台，例如港嘢。Clone 完之後配合 粵語 TTS 完全指南 入面嘅字幕工作流，自動化生產。

企業品牌 / 廣告製作

需求：穩定 SLA、商業授權清晰、可能要中英雙語 建議：國際大型平台，例如 Microsoft Azure 等。記得確認商業授權條款，特別係代言人同品牌聲嘅使用範圍。

純個人玩玩

需求：低門檻、唔想搞 API、一次半次 建議：廣東話專門工具或者純 TTS 工具，UI 友善嘅優先。

配音 / 有聲書製作

需求：長文本、自然度高、可能要情緒控制 建議：API-first 平台加情緒控制功能，再對比 情緒控制攻略。

揀唔落手？

可以由 粵語 TTS 揀選攻略 同 2026 粵語 TTS 對比旗艦 入手，呢兩篇專門講點樣由零開始揀 TTS 工具，畀你一個比較框架。

使用上嘅常見陷阱

無論揀邊個工具，呢幾個陷阱要留意：

1. 版權問題：你 clone 嘅聲係咪你本人？你有冇當事人同意書？商業用嘅時候授權條款係點？
2. 肖像權：聲音都係肖像權一部分，尤其公眾人物
3. 深偽（deepfake）風險：唔好用聲音複製做詐騙、虛假內容、誤導性資訊
4. 過度自信：clone 結果似樣本 7–9 成已經唔錯，唔好期望完美一致
5. 樣本管理：參考音頻屬於敏感數據，處理完要按平台指引刪除
6. API key 安全：API key 唔好周圍貼；港嘢嘅 key 只顯示一次，要存好
7. 商業授權：個人 plan 同商業 plan 嘅授權範圍唔同，clone 嘅聲線尤其要睇清楚

港嘢嘅聲音複製點樣用？

如果你揀港嘢做粵語聲音複製，基本流程係：

1. 註冊帳戶，拎 API key（sk_live_ 正式或者 sk_test_ 沙盒）
2. 確保 key 有 tts:clone scope
3. 準備一段參考音頻（按上面嘅 checklist 錄）
4. POST /v1/audio/jobs，mode: clone，帶埋參考音頻
5. 拎到 job_id，poll GET /v1/audio/jobs/{id} 等結果
6. 下載 audio_url（注意 materialized 1 小時、worker 直接出 7 天嘅有效期）
7. 失敗就睇 error.code，對照錯誤碼表調試

詳細 API 用法可以由 粵語 TTS 快速上手 入面嘅範例開始。

點樣決定？

最後畀一個簡單決策流程：

1. 你係咪真係需要 clone？ 如果只係要自然嘅聲，preset 就得，唔需要 clone
2. 你嘅樣本能唔能夠達標？ 質素差嘅樣本，任何工具都救唔到
3. 你嘅工作流係手動定自動？ 自動就要 API-first
4. 你嘅用量大唔大？ 量大要睇 API 配額同定價
5. 你嘅預算同商業需求？ 商業用要確認授權條款
6. 你需要情緒 / 中英夾雜支援？ 呢啲係加分位

答完呢六條問題，你大概就知道揀邊類工具。再拎兩三個實際行業文本去試聽，自然就有答案。

---

常見問題 FAQ

粵語聲音克隆工具係咪全部都支援中英夾雜？

唔係。中英夾雜對 TTS 系統嚟講係一個額外挑戰：有啲工具會將英文讀成中文發音，有啲會突然跳返普通話，有啲會變成奇怪口音。揀之前要自己攞實際行業文本試，唔好淨睇官方 demo。

參考音頻要幾長先夠？

每個工具要求唔同，由幾秒到幾分鐘都有。一般嚟講，長啲嘅樣本通常似樣本似得更好，但錄製成本亦高。建議由工具最低要求開始試，效果唔夠先加長。

聲音複製可唔可以商用？

視乎平台商業授權條款。有啲平台個人 plan 同商業 plan 嘅授權範圍唔同，有啲 clone 嘅聲線要額外授權。簽約前要睇清楚授權條款，特別係代言人、品牌聲、有聲書呢類高風險場景。

Clone 出嚟嘅聲會唔會走樣？

會。聲音複製嘅自然度同似樣本程度受好多因素影響：樣本質素、文本長度、情緒變化、中英夾雜比例。唔好期望完美一致，大約 7–9 成似樣本已經算係合理水平。具體表現以你揀嘅平台為準，建議拎實際行業文本試聽。

港嘢 sandbox key 可唔可以用 clone？

Sandbox key（sk_test_）支援 tts:clone scope 嘅創建，但 sandbox 帶 tts:clone 嘅情況建議先確認清楚。正式用就先開正式 key 試，確認效果先投入正式工作流。

點樣提升 clone 似樣本嘅程度？

四個方向：

1. 提升樣本質素：用好嘅咪、喺細房錄、避免噪音
2. 拉長樣本長度：喺工具允許範圍內盡量長
3. 樣本內容多樣化：唔同句子、唔同情緒都錄少少
4. 參數調整：有嘅平台可以調穩定度、似樣本程度嘅權重

聲音複製同聲線設計（design）有咩分別？

• 聲音複製（clone）：用真人樣本去 fit 一個聲，似特定對象
• 聲線設計（design）：用條件（性別、年齡）合成新聲，唔似特定對象

如果你想保留一把「固定聲線」但唔介意似邊個，用 design 就得；如果你必須要似某個特定對象，先需要 clone。

---

[!CTA]

自己試最實際

講咁多都係紙上談兵，去港嘢 Playground 免費拎每月 5,000 字符，試聲線圖庫、聲線設計、聲音複製，邊個啱用邊個唔啱用，一輪試過就知。