粵語 TTS 試音方法完整指南：從語料挑選到品質評估

一句答你：試音唔係隨便撳個 play 就算，而係用同一段對照文、配幾種聲線同風格，系統性咁聽發音、節奏、情緒，先至搵到最適合你內容嘅一把聲。

Key Takeaways

• 試音必須用同一段文字做對照，否則比較冇意義
• 至少聽三個維度：發音準、節奏自然、情緒到位
• 善用平台嘅聲線目錄同試聽 clip 做第一輪篩選
• API 用 sandbox key 可以日做 20 次低成本試音
• 記低低分項目，唔好淨係聽最好嗰次
• 最後一定要用真實稿件嘅頭 200 字做終輪驗證

點解 TTS 試音要認真做

揀粵語 TTS 聲線，唔係揀明星揀餐廳，唔可以靠感覺。聲線目錄上面往往有十幾個 preset，每個都有男女老幼、唔同演繹風格，淨係聽佢哋內置嘅試聽 clip 唔夠。因為：

第一，平台預設嘅試聽 clip 係精選文字，未必代表你自己嘅內容風格。句式長短、語氣詞多寡、中英夾雜比例，全部會影響把聲嘅表現。詳細嘅粵語 TTS 應用場景同原理，可以睇廣東話 TTS 完全指南做背景理解。

第二，同一個聲線喺唔同情緒設定下，可以由溫柔變激昂，差異大過另一把聲。如果只聽默認風格就落決定，往往到正式用嘅時候先發現「唔啱我」。

第三，粵語 TTS 最大嘅技術挑戰係多音字同語氣詞。同一段文「行」字可以讀 haang4、hang4、hong4，「咗」字配唔同前文有唔同音長。呢啲細節喺 catalog clip 入面未必 cover 到，亦係廣東話多音字攻略成篇文要處理嘅核心問題。

所以，認真試音係將「揀聲線」呢個動作，變成一個可重複、可比較、可存檔嘅流程。對團隊嚟講，等於係 voice casting；對個人創作者嚟講，等於係 pre-production check。

試音嘅三個基本層次

試音可以分成三個由淺入深嘅層次，每層解決唔同問題。

第一層：catalog 試聽

平台聲線目錄通常每個 slug 都有一條 10 至 30 秒嘅試聽 clip。呢層係最快嘅篩選：用耳仔聽一輪，將明顯唔啱你內容嘅聲線（例如男聲太老、太童聲、太沙啞）剔走。

呢層唔需要任何操作成本，純粹係睇第一印象。你會喺幾分鐘之內淘汰六至七成嘅選項。

第二層：對照文生成

揀剩 3 至 5 個 slug 之後，用同一段對照文（200 字左右），每個 slug 都生成一次，然後逐個聽。對照文要刻意包含：

• 一兩個常見多音字（例如「行」、「重」、「長」）
• 一兩個語氣詞（「啦」、「囉」、「㗎」、「咩」）
• 一兩句中英夾雜（例如 channel 名、brand 名）
• 一兩個長句同一兩個短句

咁先可以聽得出每把聲線喺壓力情況下嘅表現。

呢一輪最重要嘅係控制變數：文字一樣、emotion 強度一樣、style 設定一樣。淨係改 slug。否則你唔知聽到嘅差異係來自聲線，定係來自設定。

第三層：真實稿件試跑

最後一輪，一定要用你自己嘅真實稿件，唔好再用對照文。揀稿件嘅頭 200 至 300 字（已經接近 1 分鐘音頻），用最後心水嗰個 slug 加幾個 style 配置生成一次，確認實際使用感覺同第二輪一致。

如果第二輪覺得好但第三輪走樣，就可能要換 slug，或者回頭調整稿件本身嘅寫法。呢個情況成日發生——對照文同真實稿件嘅句式差異太大，聲線處理起來就會兩回事。

試音前嘅準備功夫

試音唔係聽就算，前面嘅準備決定咗後面嘅效率。

揀對照文

對照文唔可以用平台預設 clip 嘅同一段，因為你已經聽過，會有先入為主嘅偏見。亦唔可以用你自己嘅真實稿件，因為你太熟悉內容，會不自覺 skip 細節。

理想對照文要符合以下條件：

• 200 字左右（接近 1 分鐘音頻，方便比較節奏）
• 包含上述嘅多音字、語氣詞、中英夾雜、長短句
• 語域同你真實稿件接近（例如你做 YouTube 講解，對照文就唔應該用文學性強嘅散文）
• 你從未聽過呢段文嘅 TTS 輸出

環境準備

試音最好用同一副耳機、同一個音量、同一個環境。耳機頻率響應分別太大會影響判斷。試過有人用桌面喇叭同入耳式耳機輪流聽同一段，結論完全相反。

手機同電腦嘅輸出特性都唔同，建議用你最常工作嗰個裝置做最終判斷。如果目標聽眾係用手機睇片，終輪試音就用耳機加手機內置喇叭各聽一次。

心態準備

試音最忌「聽到麻木」。一段 30 秒嘅音頻聽三次已經開始失去新鮮感，聽五次之後細節會被腦自動填補。所以每對照 3 至 4 個 slug 之後就要停一停，做少少記錄先繼續。

另一個心理陷阱係 confirmation bias。如果你一開始已經心水某一個 slug，你會不自覺幫佢搵藉口，幫其他 slug 搵缺點。對策係將每個 slug 嘅輸出檔 rename 做 A、B、C，聽完先揭曉邊個係邊個。

評估維度：發音、節奏、情緒、雜項

評估唔係一句「OK」就算，要分維度逐項打分。建議用簡單嘅 1 至 5 分評分表，每個維度獨立計，最後加總做排名。

發音準確度

最基本：每隻字讀啱未？特別係：

• 多音字（可參考廣東話多音字攻略）
• 英文 brand 名（例如 GitHub 唔係逐個字母讀）
• 數字同量詞（1900 讀「一九零零」定「千九百」有語境分別）
• 量詞配搭（「一隻歌」定「一首歌」）

呢一項如果錯，後面再好都冇用，因為發音錯會即刻破壞可信度。

節奏自然度

粵語有自己嘅 rhythm pattern，唔係國語直譯。聽嘅時候留意：

• 句與句之間嘅停頓位
• 強調字眼會唔會突兀
• 語氣詞嘅音長（特別係「咗」、「嘅」、「啊」呢啲功能字）
• 長句中段會唔會出現「斷錯氣」

如果每句都係平均節奏冇起伏，就唔自然。真正自然嘅粵語旁白會有 emphasis、有 micro-pause、會跟意思調整速度。

情緒同演繹

同一句「我好嬲」可以用好多種情緒講：平靜敘事、壓抑、爆發、諷刺、無奈。聲線嘅情緒控制能力決定咗你內容嘅感染力。可以試用平台嘅 emotion 或 instruction 設定，睇下把聲能唔能夠跟到你要嘅 mood。

要注意嘅係，情緒強度太高反而會顯得誇張。YouTube 講解類內容一般 0.5 至 0.7 強度已經夠；廣告類可以推到 0.8；新聞類反而要 0.3 至 0.5。

雜項：背景、氣口、結尾

留意有冇：

• 句頭吸氣聲太突兀
• 句尾收得太硬或者太散
• 個別字有「電子感」或者「金屬感」
• 音頻結尾有冇多餘雜訊

呢啲細節喺短 clip 唔明顯，但去到 5 分鐘、10 分鐘嘅長旁白就會累積，到時返工執就太遲。

系統化試音流程

將試音變成 workflow，唔再靠靈感：

1. 定義目標：呢條片或者呢段音頻要咩情緒、咩語域、邊個 target audience
2. 準備對照文：按上述原則寫定 200 字，存入文件做 reference
3. 第一輪篩選：聽 catalog clip，剔走明顯唔啱嘅，剩 3 至 5 個
4. 第二輪生成：用對照文，每個 slug 生成 1 次，rename 做 A/B/C
5. 逐項打分：發音、節奏、情緒、雜項，每項 1 至 5 分
6. 第三輪驗證：用真實稿件頭 200 字生成最後心水嗰個 slug
7. 記低結果：邊個 slug 配邊個 style、邊個 emotion 效果最好，連對照文存檔

呢個流程好處係：如果你之後要 scale up，或者換新嘅聲線做對照，之前嘅記錄可以即刻攞出嚟用。對團隊嚟講，新人加入都可以跟住 SOP 做，唔使從零學起。

用 API 做大規模試音

如果係手動逐個 slug 撳 play，你只可以試幾個。但用 API，你可以一次過試幾十個組合。

Sandbox key 嘅角色

喺正式 plan 之前，粵語 TTS API 快速上手入面提到嘅 sandbox key 係低成本試音工具。免費同入門 plan 都可以開 sk_test_ 嘅 sandbox key，每日 20 個生成 call。對個人試音嚟講，20 次其實好夠用：第一輪 5 個 slug，第二輪 3 個 slug × 2 個 style，第三輪 1 個 slug × 2 個 emotion，仲有餘。

sandbox 嘅好處係唔消耗正式字符配額，所以你嘅月配額可以留俾真正嘅 production 工作。

並行上限嘅影響

唔同 plan 嘅在途任務上限唔同：免費 3、入門 5、專業 10、工作室 20。如果你要試 20 個組合，會撞到限流。處理方法有兩個：

• 用 batch endpoint（一次最多 25 個 request body，但限專業同工作室 plan）一次過提交。批量一次請求只計一次限流，效率高好多
• 排隊慢慢試，唔使一次過，配合自動 polling script 都可以

pre-signed URL 嘅時效

生成完成後嘅 audio URL 有時效：materialized（已存入 audio library）嘅 1 小時；直接由 generation worker 出嘅 7 天。試音階段建議聽完即 download 保存，唔好靠平台 link 過幾日再聽。一個鐘頭過後要再聽，要重新 poll 攞新 URL。

用 slug 做 stable ID

每把聲線都有 ASCII slug（例如 sum 代表心妍、female、adult）。用 slug 而唔係中文名做 reference，係因為 API 同 UI 之間嘅 identifier 唔會變，之後換 UI 都唔影響你嘅試音記錄。中文名係介面顯示用，slug 係 stable identifier，兩者要分清楚。

常見試音陷阱

陷阱一：揀最好嗰次

人耳會記住最尾一次嘅印象。如果 3 個 slug 之中最後嗰個最好，你會不自覺提高佢嘅評分。對策：將 slug 名隱藏（rename 為 A、B、C），聽完先揭曉。如果想再嚴格啲，可以請同事幫你 randomize 播放次序。

陷阱二：忽略長篇表現

有時試聽 clip 聽落好完美，但實際生成 5 分鐘嘅長音頻時，會發現第 3 分鐘開始節奏 collapse。對策：第二輪嘅對照文唔可以太短，至少要 1 分鐘以上。如果你嘅內容係 5 分鐘以上，對照文最好去到 500 字（已接近平台單次 text 上限）。

陷阱三：用錯 style 設定

聲線目錄上面往往寫住「支援 styles: 多種」，但你唔知幾種之中邊個最啱你。對策：用 style 嘅預設名（例如「neutral」、「energetic」、「calm」）做獨立 axis 試，唔好預設「中性」等於「冇 emotion」。事實上中性不等於無情緒，而係平穩嘅敘事節奏，要同「機械式」分開。

陷阱四：淨係試長文

有時你嘅內容係 30 秒嘅短片 intro，但試音用 200 字對照文，到正式用嘅時候先發現短句處理得唔好。對策：對照文入面加入 1 至 2 個極短句（5 至 10 字）做極端測試。短句往往係 TTS 最容易露餡嘅地方。

陷阱五：忽略 code-switching

如果你嘅內容有中英夾雜（例如講 IT、金融、潮流），一定要專門測試。英文 brand 名讀得怪，會即刻令成段嘢唔專業。對策：對照文入面加 1 至 2 句夾雜句，專門聽英文部分。

點樣評估「自然」

「自然」係試音最常講但最難定義嘅詞。可以拆做幾個維度：

• 冇明顯錯誤：冇讀錯字、冇奇怪停頓
• 冇機械感：唔會每個字等距、每句同等重音
• 符合語域：對住阿婆講嘢同對住同事講嘢，節奏唔同
• 符合角色：旁白、角色、提示音各自有別
• 情緒過渡自然：唔會突然跳 tone

如果一段音頻你聽完冇特別感覺，唔代表「自然」，可能只代表「冇大鑊」。真正自然係你聽完覺得「好似有人喺度講嘢」，而你完全唔會諗「呢個係 TTS 嚟嘅」。

要達到呢個水平，往往要反覆試 5 至 8 個 slug，先搵到嗰個唔會令你「諗起係 AI」嘅聲線。呢個過程冇捷徑。

試音之後：點樣 keep 住 quality

揀好聲線唔代表一勞永逸。每次平台更新聲線目錄、加新 emotion preset、甚至 model 升級，都要重新試一次。建議每季做一次 regression test：用返之前嘅對照文同最終心水 slug 生成一次，聽下仲係咪同一個水準。

如果差異明顯，就要決定 keep 舊聲線（用 archive 嘅 audio URL）定接受新聲線（重新做一輪完整試音）。如果係做長期嘅 channel，例如 YouTube 節目，聲線嘅 continuity 好重要，唔應該貿然換。

同場加映：對比唔同平台嘅試音方式

唔同 TTS 平台嘅試音工具差異可以好大。有啲平台只提供 catalog clip 試聽，唔可以自攜文字；有啲可以即時生成但有限額；有啲提供詳細嘅 API log 可以逐個 request 重聽。揀平台嘅時候，廣東話 TTS 比較 2026係一個好嘅起點，可以一次過睇到邊啲平台支援完整試音流程、邊啲淨係俾你聽 catalog。

如果只可以揀一個特徵嚟評估平台嘅試音工具，建議睇「可以唔可以用同一段對照文生成多個聲線做 A/B 對比」。呢個功能係認真試音嘅基本要求，做唔到嘅平台你只可以靠運氣揀聲線。

---

常見問題 FAQ

試音要用幾多文字先夠？

最少 200 字起碼。少過 100 字嘅對照文好難覆蓋到長句節奏同語氣詞處理。如果係做 5 分鐘以上嘅長旁白，建議對照文去到 500 字（已經接近平台單次 text 嘅 500 字符上限）。要注意嘅係平台單次 text 限 1 至 500 字符，超過會被 reject，唔會自動截斷，所以長對照文要分開幾次生成。

免費 plan 可以試幾多次聲線？

每月 5,000 字符，用完就冇，唔會重置。要再試就要買字符包或者升級 plan。如果只係試音，建議用 sandbox key 嘅每日 20 call 額度，sandbox 唔消耗正式字符配額，但升級專業 plan 之後原本嘅 sandbox key 會自動變 full key，可以即刻用返做正式生成。

點解同一段文每次聽都好似有少少唔同？

TTS 系統有時會有 sampling 變化，特別係 emotion 強度調高嘅時候。對策：固定 emotion 強度（例如用 0.6 而唔用 0.7），或者鎖定 temperature 參數（如果有嘅話）。如果仍然每次都唔同，就要評估係咪聲線本身嘅穩定性問題，呢個情況可能要換 slug。

Sandbox key 同正式 key 試出嚟一樣嗎？

聲線同 quality 一致。分別在於 sandbox 每日限 20 call，同埋係 test mode 標記。升級 plan 之後原本嘅 sandbox key 會自動變 full key，所以唔使重新開，可以無縫交接。

試音要唔要考虑 SRT 字幕？

如果你嘅內容有時間軸需要（例如 YouTube、短片），生成時可以直接用 srt 參數一次過出埋字幕。試音階段可以加多一個 srt 嘅 sample 測試，確認時間碼同音頻對得準。同步模式（sync）唔支援 SRT，所以 SRT 測試一定要用 async 軌。

點樣避免「越聽越麻木」？

每對照 3 至 4 個 slug 之後停 5 分鐘，或者聽一段完全無關嘅嘢 reset 個耳仔。亦可以將 slug 名隱藏做 A、B、C，避免名字帶嚟嘅偏見（例如一聽到某個女聲名字就覺得一定溫柔）。亦建議分開兩日做試音，唔好一日做晒。

一段文聽幾次先合理？

第一輪聽整體印象，第二輪逐維度打分，第三輪專聽之前標註嘅低分項目。三次之內就應該有結論。如果聽五次都仲未決定，代表呢個 slug 唔啱你，唔好勉強揀——有時冇感覺就係最誠實嘅答案。

---

[!CTA]

去 Playground 親耳試

唔使裝模型，唔使寫 code，直接輸入文字揸聲線，30 秒聽到成品。揀好心水之後再用 API scale up 都未遲。