新興 AI 語音平台廣東話公開規格對比：粵語合成邊個較啱你？

一句答你：新興 AI 語音平台 廣東話 表現參差，差異主要在「粵語 native 程度」「聲線彈性」「API 成熟度」「定價透明度」四個維度。本文用 2026 年公開可核實嘅規格，幫你揀到啱你 use case 嘅平台。

Key Takeaways

• 「新興 AI 語音平台」係市場統稱，唔係單一產品；本文涵蓋嘅係面向廣東話場景、2024–2026 期間面世或大幅更新嘅粵語語音服務。
• 揀平台唔好睇「聲線數目」一個數，睇粵語 native 程度（聲線本身係咪用粵語錄定）、可調控維度（情緒／語速／中英夾雜）、API 模式（async／sync）、定價模型四方面。
• API 為主嘅 workflow 同 playground 為主嘅 workflow，揀平台標準完全唔同：前者睇 rate limit、scope、async poll；後者睇 UI 易用、預覽、匯出格式。
• 港嘢（Canto-Gen）定位係粵語 native TTS，特色係 API 透明、Cantonese 聲線圖庫、SRT 字幕同聲音複製（所有方案都支援）。
• 競品比較一律以公開產品頁為準；本文冇做盲測、冇聲稱「邊個最似真人」、所有觀察都標咗觀察日期（2026 年）。
• 結論冇標準答：YouTube 旁白、客服 IVR、字幕生成、Podcast 自動化，各自嘅「啱」唔同。

---

新興 AI 語音平台 廣東話：呢個市場到底有邊個？

講「新興 AI 語音平台」之前，要先界定「邊個算新興」。市場上做粵語 TTS 嘅服務，主要分三類：

• 傳統雲廠粵語 SKU：Microsoft Azure Speech、MiniMax Audio 等等，模型本身唔係粵語原生，但有粵語 locale。優點係穩定、文件齊；缺點係粵語口音、語氣詞、變調都仲有改善空間。
• 新興粵語專科：cantonese.ai、cantonesettsai.com、cantovoice.com 等，模型用粵語錄音訓練，粵語 native 程度一般較高。優點係語感地道；缺點係規模細、API 文件未必成熟、語言生態單一。
• 國際 TTS 巨頭粵語 channel：ElevenLabs、Ondoku 等，平台大、聲線多、社群活躍，但粵語係其中一個 locale，唔係主打。

呢篇文集中喺第二類同第三類嘅粵語體驗，因為第一類（即傳統雲廠）大家已經熟，唔需要再科普。想睇全景圖，可以去 廣東話 TTS 完全指南 嗰篇 pillar。

「新興」呢個詞，背後係咩意思

「新興」喺呢個 context 通常指：

1. 2023 年後面世或者大幅更新
2. 主力或者包含粵語 channel
3. 設計目標係 content creator、中小企、developer，唔係傳統 enterprise call center
4. 收費模式偏向 self-serve（月訂 or 按量），唔係 quote-based

呢四個 filter 一落，其實真正喺「新興 AI 語音平台 廣東話」呢個 query 下面有得揀嘅，唔會超過 8 個 brand。下面我哋就用呢個 scope 嚟對比。

---

對比之前：你要先答自己三條問題

對比平台之前，唔好直接跳入 table，問自己：

1. 你主要用 playground 試聲，定係用 API 駁 production？ 兩者揀平台標準完全唔同。
2. 你嘅文本係純粵語，定係中英夾雜／書面 vs 口語？ 呢個直接影響 platform 嘅 polyphonic 支援、語氣詞支援。
3. 你嘅產出係聲音檔案，定係 SRT 字幕？ 唔係每個平台都支援 SRT 輸出。

答完呢三題，你揀平台嘅標準就清晰好多。

---

六個維度嘅對比框架

我用六個維度做對比架。維度本身係普世嘅，唔係邊個平台「贏邊個平台」，係幫你對齊 evaluation criteria。

維度 1：粵語 native 程度

睇嘅係「聲線本身係咪用粵語錄」。呢個影響最大：聲線如果係用普通話錄，再用模型加粵語口音，變調、語氣、停頓位都會有 tell-tale sign。

點樣評：

• 平台聲線 page 係咪標明「Cantonese native」「粵語錄音」
• 聲線 metadata 有冇寫母語者（native speaker）
• 試聽檔係咪純粵語示範

注意native 唔等於「無鄉音」。每個聲線都有自己嘅咬字習慣，連真人主播都有。鄉音程度要靠自己試。

維度 2：聲線可調控維度

可以調嘅維度越多，代表你 control 越精細。常見維度包括：

• 速（speed）
• 音調／pitch
• 情緒（emotion：開心、嬲、sad、calm）
• 風格（style：narration、conversation、news、advertisement）
• 角色年齡／性別設計（design）
• 聲音複製（clone）

唔係每個平台全部都支援。例如部分新興粵語專科平台有 emotion，但冇 design；部分國際平台有 design 但粵語 emotion 仲喺 beta。

點樣評：用你實際文本，逐個維度試，記低「呢個平台支援／唔支援」。

維度 3：API 成熟度

如果你係 developer 駁 production，呢個維度直接決定你使唔使寫大量膠水 code。要睇嘅位：

• Base URL 同 auth pattern：係咪標準 Bearer token，定係要自己 sign
• Async vs sync：長文本通常 async（submit job → poll），短文本可以 sync 直接攞 audio
• Rate limit：per key per minute，係咪有 header 提示剩餘
• Scope：唔同 scope 控制唔同 endpoint 權限（例如 clone 通常要額外 scope）
• OpenAPI spec：有冇 machine-readable spec，畀你直接 import
• 錯誤碼：係咪結構化（code + message + http_status），定係 free text

港嘢 API 喺呢度屬於「文件較透明」嗰類：Base URL https://canto-gen.com、async 為主、OpenAPI 3.1 spec 喺 /v1/openapi.json、Scalar 互動文件喺 /v1/docs、錯誤碼全部結構化。詳細可以睇 getting-started-with-canto-tts。

維度 4：SRT 字幕工作流

如果你做 YouTube、短片、線上課程，SRT 字幕係剛需。要睇：

• 平台本身係咪支援 srt=true 參數直接出 SRT
• 定係要自己用 alignment 工具後製
• SRT 嘅 timestamp 準唔準（特別中英夾雜嘅時候）
• 字幕長度、斷句係咪合 YouTube 標準

港嘢支援 srt=true（async 軌），工作流可以參考 tts-srt-subtitle-workflow。

維度 5：聲音複製（clone）

聲音複製係 2024–2026 期間新興 AI 語音平台嘅標配功能之一。要睇：

• 參考音頻要求（最少幾秒、檔案格式、取樣率）
• 係咪需要 explicit consent declaration合規）
• 複製出嚟嘅聲線係咪 per-request（唔儲），定係 reusable asset
• 收費（係咪額外 scope，例如 tts:clone）

港嘢方面：所有方案都支援聲音複製；API 方面，tts:clone 同 tts:generate 係兩組分開嘅 scope，要 clone 嘅 key 必須有 tts:clone，否則回 403 insufficient_scope。詳細 clone 流程睇 tts-voice-cloning-guide。

留意：sandbox key（sk_test_）帶 tts:clone 嘅行為，官方文件未完整覆蓋。寫 production code 之前，建議用正式 key 試一次。

維度 6：定價透明度

最後但係最易踩坑嘅一環。新興平台定價模式常見有四種：

• 月訂 + 字符額度（港嘢、Canto-Gen 用呢個）
• 純按量（per 1K characters）
• Credits 制（買 credits，唔同功能唔同 burn rate）
• Freemium + Enterprise quote

要對齊嘅係「每千字符單價」同「overage 政策」：配額用完係 stop service、可以加購、還是繼續計費？

港嘢定價（最後核實 2026-10-08）：

冇 overage 收費——配額用完就停，要加量就買字符包（HK$0.80／1K，四檔同價）。詳細定價分析睇 廣東話 TTS 定價解析。

---

逐個維度嘅公開規格觀察

呢節我會逐個維度講我嘅觀察，全部標觀察日期同來源類型，唔做盲測、唔做排行榜。如果你想睇「邊個最似真人」呢類主觀結論，本文冇——亦唔應該有。

粵語 native 程度（觀察日期：2026-10）

新興粵語專科平台（cantonese.ai、cantonesettsai.com、cantovoice.com一般喺呢一維度領先，因為佢哋 model 訓練 data 主要用粵語錄音。國際平台粵語 channel 嘅聲線，部分係英文聲線 fine-tune 出嚟，部分係粵語錄音但 sample size 細。

判斷方法：搵一段你真正會用嘅文本，喺每個平台用 default 設定跑一次。唔好用平台 demo 文本，因為 demo 文本通常挑過。

線可調控維度（觀察日期：2026-10）

新興平台喺「情緒」維度差異最大：

• 部分粵語專科平台有 emotion 但選擇窄（例如得 calm / energetic）
• 國際平台 emotion 選擇多但粵語 channel 嘅 emotion 表達可能唔夠地道
• 港嘢 emotion 支援 4–6 種（視乎聲線），詳細睇 tts-emotion-control-guide

design（gender + age 自訂）係 per-request 嘅——即係唔會儲成 asset，下次要用要再 design。呢個係產品規格寫明嘅限制。

API 成熟度（觀察日期：2026-10）

新興粵語專科平台嘅 API 文件普遍未成熟：

• 部分只係 REST endpoint 描述，冇 OpenAPI spec
• 部分 error response 係 free text，唔結構化
• 部分 rate limit 唔公開，要撞牆先知

國際平台 API 普遍成熟，但粵語 channel 嘅 endpoint 限制（例如 text 長度限）有時同英文 channel 唔同，要自己 test。

港嘢 API 喺呢維度屬於「件結構化、限流透明、錯誤碼全部 machine-readable」嗰類。例如：

• Rate limit header：X-RateLimit-Limit / -Remaining / -Reset（只喺 POST /v1/audio/jobs 202/429 同 sync 200/429 返）
• 撞限流回 Retry-After
• 結構化錯誤碼：text_required / text_too_long / clone_not_supported_sync / srt_not_supported_sync / invalid_items / too_many_items / invalid_or_expired_token / insufficient_scope / monthly_cap_reached / batch_requires_pro / rate_limit_exceeded / in_flight_limit_reached / pool_cold

SRT 字幕（觀察日期：2026-10）

要直接支援 srt=true 嘅新興平台唔多。常見兩種模式：

• 平台原生支援：直接出 SRT（港嘢屬於呢類）
• 後製方案：平出 WAV + alignment 工具（例如 whisper-based）出 SRT

後製方案彈性大但工序多；原生方案 workflow 短但 timestamp 質素視乎平台。

⚠️ 港嘢注意：srt=true 只行 async 軌，sync endpoint（POST /v1/audio/speech唔支援 SRT，會回 400 srt_not_supported_sync。想用 SRT 要用 POST /v1/audio/jobs async poll。

聲音複製（觀察日期：2026-10）

新興平台 clone 嘅 reference audio 要求差異大：

• 部分要 30 秒以上清晰錄音
• 部分接受 10 秒
• 部分支援上傳檔案，部分只接受 URL

合規方面，正規平台都要你 declare「有權使用此聲音」。港嘢 API 喺呢方面係 tts:clone scope 強制檢查——冇呢個 scope 就 403 insufficient_scope，呢個設計本身就係合規設計。

價格透明度（觀察日期：2026-10）

呢個維度最易踩坑：

• 部分新興平台「免費」係試用期，之後自動轉付費
• 部分「unlimited」其實有 fair use 上限
• 部分 overage 自動計費，要去 billing 設定停
• 部分 credits burn rate 因 feature 而異（例如 clone 比 preset 貴 2–3 倍）

港嘢嘅設計係「冇 overage」：配額用完就停，要加就明買字符包。配額跟用戶自己嘅訂閱週期日重置（anniversary anchor），唔係月曆 1 號——呢個係 2026-09-27 嘅 change，舊文件可能仲寫「每月重置」，以最新產品規格為準。

---

同類對比：港嘢 vs 其他新 AI 語音平台

呢節用上面六個維度做一個結構性對比。冇具體打分，因為：

1. 公開產品規格有時滯，喺你睇緊呢篇文嘅時候可能已經更新
2. 維度本身對唔同 use case 嘅權重唔同
3. 任何「總分」都帶主觀

呢個表係工具，唔係答案。

詳細嘅 2026 對比可以睇 cantonese-tts-comparison-2026，嗰篇係 E1 旗艦對比，本文 E2 集中「新興 vs 傳統框架」嘅差異。

---

按 use case 揀平台

對比完都要落地，呢節按 use case 講點樣揀。

Use case 1：YouTube 廣東話旁白

你主要需要：語音地道 + 情緒 + 語速控制 + 可能要 SRT。

建議優先考慮：

• 港嘢（如果你已經有 API workflow 經驗）
• 國際平台（如果你要英文 channel 同步出）

注意：YouTube 字幕要同步 burnt-in + SRT 上傳，平台出嘅 SRT 仲要人手 check 斷句同 typo。

Use case 2：客服 IVR / 電話系統

你主要需要：穩 + 低延遲 + 多輪 prompt。

呢個 case 我會建議先睇傳統雲廠粵語 SKU，因為 IVR 對 latency 同 SLA 要求高，新興平台未必夠穩。港嘢而家 POST /v1/audio/speech sync endpoint 恆回 503 pool_cold，唔適合 real-time IVR——呢個係產品規格寫明嘅事實（2026-10-08 核實）。

Use case 3：短片 / Reels 廣東話配音

你主要需要：情緒 + 短句 + 快生成 + 配畫面。

呢個 case playground 為主嘅 workflow 比較 friendly。港嘢 playground 喺 /playground，可以直接 preview 唔同聲線同 emotion。

Use case 4：Podcast 自動化

你主要要：批量 + 長文本 + 一致聲線 + 可能要 chapter mark。

建議優先考慮：

• 港嘢專業／工作室 plan（有批量 items 支援，free／starter 帶 items 會 403 batch_requires_pro）
• 國際平台 studio plan

批量 workflow 詳細睇 tts-batch-generation-workflow。

Use case 5：教育內容 / 有聲書

你主要需要：長文本 + 角色聲線（多聲線）+ 穩定 + 合理價。

教育內容文本長，新興平台嘅字額度同 rate limit 要小心計。可以參考 廣東話 TTS 定價解析 嘅估算：100,000 字符 ≈ 417 分鐘（約 7 小時），入門 plan 都夠用；300 分鐘（5 小時）有聲書 ≈ 72,000 字符，工作室 plan 月費 HK$688 嘅 1,400,000 字符可以做近 20 本 5 小時有聲書。

---

API 開發者視角：揀平台嘅 5 個 engineering check

如果你係 developer，呢 5 個 check 一定要做：

1. OpenAPI spec 完整性：/openapi.json 或者 /v1/openapi.json 可唔可以直接 import 落你嘅 code generator
2. 錯誤碼結構化：係咪 code + http_status + structured body，定係 free text
3. Rate limit header：係咪有 X-RateLimit-* header，唔使牆先知剩幾多
4. Async pattern：長文本 workflow 係咪 POST job → GET job/{id} poll，定係 long-polling、webhook、callback
5. Sandbox key：sk_test_ 環境係咪同正式環境 spec 一致，limit 夠唔夠你 development

港嘢 5 項全部都過：

• OpenAPI 3.1 spec 喺 /v1/openapi.json，免 auth，CORS *
• Scalar 互動文件喺 /v1/docs
• 結構化錯誤碼全部有 code
• X-RateLimit-Limit / -Remaining / -Reset 喺生成 endpoint 返
• Async pattern：POST /v1/audio/jobs → 202 + job_id → GET /v1/audio/jobs/{id} poll
• Sandbox key（sk_test_）限每日 20 個生成 call，per-account 計，升級 Pro 自動變 full

詳細 API 文件睇 getting-started-with-canto-tts。

---

文字處理：粵語特性平台支援

新興 AI 語音平台 廣東話 表現嘅另一個差異點，係粵語特性嘅處理：

多音字（polyphonic characters）

粵語多音字例如「行」可以讀 haang4（行路）或者 hong4（銀行），「重」可以讀 cung5（輕重）／cung4（重複）／zung6（重要）。新興平台支援程度差異大：

• 部分靠 context 自動揀
• 部分要你用 phonetic 標註
• 部分完全靠模型自己學，唔知邊度踩坑

詳細粵語多音字攻略睇 廣東話多音字攻略。

語氣詞（particle words）

粵語語氣詞係地道感嘅關鍵：「嘅」「咩」「啦」「囉」「嘅唔係啊」「係咪先」等等。新興粵語專科平台通常處理得較好，國際平台粵 channel 嘅語氣詞有時會被當 noise 過濾。

詳細睇 cantonese-particle-words-tts。

中英夾雜（code-switching）

香港人日常對話經常中英夾雜：「今日個 meeting cancel 咗」「我 send 咗 email 畀你」。新興平台處理 code-switching 嘅能力差異最大：

• 部分會將英文讀成粵語拼音
• 部分保留英文發音但節奏唔順
• 部分支援 IPA 標註畀你精確控制

詳細睇 cantonese-code-switching-tts。

書面 vs 口語

「我已經到達了目的地」vs「我已經到咗」——同一個意思，粵語 TTS 讀出嚟完全唔同。新興平台通常預設偏書面語，要地道口語往往要自己寫口語稿或者用 style 參數。詳細睇 書面語 vs 口語。

---

唔同 plan 嘅 API 差異

如果你揀咗港嘢，記住唔同 plan 嘅 API 行為有差異，唔係純粹 quota 多寡

幾個常見誤解要澄清：

• 免費 plan 每月 5,000 字符，每月重置
• 付費 plan 配額跟 anniversary 週期重置，唔係月曆 1 號
• 免費／入門帶 items 參數會 403 batch_requires_pro，零提交、零扣（即係唔會偷偷扣你 quota）
• 全速 API 係 Pro/Studio 專屬；免費／入門可以開 sandbox key 試接，但 sandbox 限每日 20 個生成 call

詳細 plan 比較同配額政策睇 廣東話 TTS 定價解析 與 cantonese-tts-buying-guide。

---

揀平台嘅 checklist

最後畀一個 checklist，你 demo 完每個平台之後逐條 check：

1. ☐ 粵語 native：聲線 metadata 有冇標明 Cantonese native
2. ☐ 文本試：用你真正嘅文本（唔係 demo 文本）跑一次
3. ☐ 長文本：500 字符文本測試，會唔會 cut 或者出錯
4. ☐ Emotion：4 種以情緒切換，表現係咪穩定
5. ☐ SRT：如果需要，srt=true 嘅 timestamp 質素
6. ☐ Clone：reference audio 要求、consent flow、合規條款
7. ☐ API 文件：有冇 OpenAPI spec、錯誤碼結構化、rate limit header
8. ☐ Sandbox：sk_test_ 環境係咪同正式環境一致
9. ☐ 定價：每千字符單價、overage 政策、fair use 上限
10. ☐ Plan 升級：中途升級會唔會 reset quota、API 行為會唔會改

呢 10 條 check 完，你揀到嘅平台就唔會錯。

---

結論：冇「最啱」，只有「最啱你呢個 use case」

新興 AI 語音平台 廣東話 市場仲喺早期，2026 年每個 brand 嘅定位差異大：

• 港嘢（Canto-Gen）：粵語 native TTS，API 透明、developer friendly
• 粵語專科新興平台：粵語語感強，API 規模細
• 國際平台粵語 channel：成熟穩定，粵語係其中一個 locale 唔係主打

你嘅結論取決於你嘅 use case：

• Developer + production：睇 API
• Content creator + 短片：睇 playground UX
• 企業 + IVR： SLA 同 latency
• 教育 + 有聲書：睇 quota 同 rate limit

冇單一答案。本文嘅作用係畀你 framework 自己去 trial，唔係幫你揀。

---

常見問題 FAQ

新興 AI 語音平台 廣東話 邊個最似真人？

冇標準答案。「似真人」係主觀，視乎你嘅文本、聲線、情境。本文唔做呢類主觀 ranking，亦唔聲稱任何平台100% 似真人」或「同真人無分別」。建議你用自己嘅文本逐個平台試。

港嘢（Canto-Gen）同其他新興粵語 TTS 平台最大嘅分別係咩？

定位上，港嘢係 developer-first 嘅粵語 native TTS，特色係 API 透明（OpenAPI 3.1 spec、Scalar 文件、結構化錯誤碼）、聲線設計 + 情緒 + 風格 + 聲音複製 + SRT 字幕 + 批量生成齊全。粵語專科新興平台通常 playground-first，API 文件未必成熟。國際平台粵語 channel 規模大但粵語係其中一個 locale。

免費 plan 夠唔夠用？

視乎你嘅用量。港嘢免費 plan 每月 5,000 字符（月月重置），按估算約 21 分鐘音頻。如果你只係試聲、demo、短片配音，每月 5,000 字符可能夠；如果你做 series 或者長文本，要 plan 升級。詳細免費玩法睇 免費廣東話 TTS 玩法。

聲音複製（clone）合唔合法？

合法與否取決於你係咪有權使用該聲音。所有正規 AI 語音平台（包括港嘢）都要求你 declare 同意 / 有權使用。港嘢 API 喺呢方面係 tts:clone scope 強制檢查——冇呢個 scope 就 403 insufficient_scope。商業用途（廣告、有聲書、商品）要確保有明確 consent，建議存底。

平台收費模式點樣揀？

睇你嘅用量穩唔穩定：

• 用量穩定、每月可預測：月訂 plan（港嘢 starter/pro/studio）通常較抵
• 用量波動大：按量或者 credits 制較靈活，但要小心 idle fee
• 純試用：先用免費 plan 或者 sandbox key

注意「unlimited」plan 通常有 fair use 上限，要睇 FAQ。

SRT 字幕可以由 AI 語音平台直接出嗎？

視乎平台。港嘢支援 srt=true 參數直接出 SRT（async 軌），但 sync endpoint 唔支援（會回 400 srt_not_supported_sync）。其他平台部分原生支援，部分要後製用 alignment 工具。SRT 嘅 timestamp 質素同斷句、平台支援嘅語言、文本長度有關，要自己試。

我係 developer，點樣開始試港嘢？

最直接：去 getting-started-with-canto-tts 嘅 quickstart。步驟係：開 API key（建議先用 sk_test_ sandbox key）→ 試 GET /v1/voices 攞聲線目錄 → 試 POST /v1/audio/jobs 提交一個 ≤500 字符嘅 job → poll GET /v1/audio/jobs/{id} 攞 audio URL。詳細錯誤碼同 edge case 全部喺 /v1/docs。

港嘢而家 sync endpoint 係咪壞咗？

唔係壞咗，係而家恆回 503 pool_cold（產品規格核實 2026-10-08）。如果你要 real-time low-latency audio，唔應該用 POST /v1/audio/speech，要用 async POST /v1/audio/jobs + poll。IVR、real-time agent 對話呢 latency-sensitive use case 暫時唔建議用港嘢。

---

[!CTA]

自己試聲，最實際

唔好信人講，自己去 playground 輸入你嘅真實文本試 30 秒聲線、語速、情緒、style，逐個調。

去港嘢 Playground 試 → canto-gen.com/playground

免費開戶即享每月 5,000 字符，唔使信用卡，唔使裝任何嘢，瀏覽器打開即試。