廣東話影片字幕配音 Workflow 完整教學

一句答你：廣東話影片字幕配音 workflow，核心係「稿本整理 → 分句對時間碼 → 揀聲線 → 控制情緒 → 批量生成 → SRT 字幕 → 合成剪輯」七步，用 AI TTS 可以一次過搞掂字幕同配音兩個 output。

Key Takeaways

• 字幕配音 workflow 唔係「配音 + 字幕」兩條獨立線，而係同一份稿本分兩個 output
• SRT 字幕同配音音頻最好用同一個 source text，避免對唔齊
• 演繹風格同情緒控制係成條片「聽落似唔似人」嘅關鍵
• 批量生成可以一次過處理幾十段對白，大幅慳時間
• 書面語稿要轉口語先至貼地，否則配音會好「新聞報導」
• 配音同字幕嘅字符消耗都會從同一份月配額度扣除

影片字幕配音 workflow 係咩？

所謂「影片字幕配音 workflow」，係指將一段影片（YouTube 短片、課程錄影、產品 demo、廣告）由零開始，做到「有字幕 + 有配音」嘅完整工序。傳統做法係配音員錄完對白，再交畀字幕員逐句聽打、對時間碼。呢個過程要兩個人、兩套工序、仲要來回對稿。

用 AI 廣東話 TTS 嘅 workflow，最大分別係：同一份文字稿，可以一次過生成兩個 output——一個係配音音頻（MP3／WAV），一個係 SRT 字幕檔。兩者嘅 source text 係同一份，所以對嘴同對字幕嘅誤差會細好多。

呢個 workflow 特別適合以下場景：

如果你想了解廣東話 TTS 嘅基本原理同聲線圖庫，可以睇吓廣東話 TTS 完全指南。

完整 workflow 七步走

以下係一個實戰嘅廣東話影片字幕配音 workflow，由零開始到出片。每一步都會影響最終效果，唔好跳。

第一步：整理稿本（書面語 vs 口語）

成條 workflow 嘅 source of truth 係「文字稿」。稿本嘅質素直接決定配音同字幕嘅質素。

最常見嘅錯誤係直接用書面語稿（例如新聞稿、公告）丟入去做配音。書面語嘅句子長、停頓位唔同、配出嚟會好似「新聞報導員」讀文，唔似人講嘢。

建議做法：

1. 先寫書面語稿（方便審批、傳閱）
2. 再轉口語稿（專門用嚟做配音）
3. 口語稿要加入廣東話語氣詞、口語化用字
4. 長句要斬開（每句建議 15–25 字）

關於書面語同口語嘅分別，可以參考書面語 vs 口語：廣東話 TTS 點揀？。

第二步：分句同時間碼對齊

稿本整理好之後，要按影片嘅畫面分句。每句要對應一個時間區段（in-point / out-point）。

傳統做法係逐段剪片再對時間碼，但 AI workflow 嘅做法係反過嚟：先決定每句點講，再剪片配合。好處係配音節奏可以預先控制，唔使後期遷就。

分句原則：

• 一句一個意思：唔好將兩個論點塞喺同一句
• 鏡頭轉換 = 句子分界：cut 嘅位通常就係句子停頓嘅位
• 保留氣口：對白之間要留 0.3–0.8 秒空白

呢一步嘅 output 係一個分句表：

第三步：揀聲線同演繹風格

稿本分好句之後，就要決定用邊個聲線。

港嘢嘅聲線圖庫有唔同類型嘅廣東話聲線，每條聲線都有唔同嘅演繹風格（styles）。揀聲線嘅時候要考慮：

• 片嘅類型：教學片要清晰穩重，廣告片要有活力
• 目標觀眾：年輕觀眾 vs 專業人士，語氣會唔同
• 性別同年齡：影響成條片嘅「氣場」
• 品牌一致性：如果係系列片，要用返同一條聲線

揀聲線嘅最佳方法係逐個 sample 聽。港嘢嘅 Playground 可以免費試晒所有聲線，唔好齋睇名就決定。

第四步：控制情緒同語速

呢一步係成個 workflow 嘅「靈魂」。

同一句「今日天氣好好」，用唔同情緒講出嚟，效果完全唔同：

情緒控制唔係「全段同一情緒」，而係逐句調整。例如開頭用開心、轉場用平靜、重點用興奮、結尾用溫暖。

詳細嘅情緒控制方法，可以睇廣東話 TTS 情緒控制指南。

語速方面，廣東話嘅自然語速大約係每分鐘 240 字符左右。如果想做出「慢速教學」嘅效果，可以將語速調低；想做出「快節奏廣告」，可以調高。但要注意，語速太快會影響清晰度，太慢會令觀眾失去耐性。

第五步：批量生成配音

稿本、聲線、情緒都決定好之後，就可以開始生成配音。

如果得一兩句，可以逐句生成。但如果成條片有幾十句對白，逐句生成會好慢，而且要逐段 poll 結果。

呢個時候就要用批量生成。港嘢嘅批量 API 可以一次過提交最多 25 個 request bodies，每個 body 係一句對白嘅生成參數（文字、聲線、情緒、語速）。

批量嘅好處：

• 快：一次過提交，唔使逐句等
• 一致：同一批用同一個聲線設定，唔會有「呢句用 A 聲線，下一句用 B 聲線」嘅問題
• 慳限流：批量提交算一次限流（唔係每句計一次）

具體嘅批量生成方法，可以參考TTS 批量生成 workflow。

⚠️ 注意：批量生成係 Pro 同 Studio 方案先有嘅功能，免費同入門 plan 係用唔到嘅。免費或入門 plan 可以考慮用 sandbox key 試下（每日 20 個生成 call 限額）。

第六步：SRT 字幕輸出

配音生成嘅同時，可以同步生成 SRT 字幕檔。

做法係喺生成配音嘅 request 入面加一個 srt=true 嘅參數，系統會喺回傳 audio 嘅同時，俾埋對應嘅 SRT 字幕檔。

SRT 字幕嘅好處：

• 自動對時間碼：唔使逐句聽打
• 同一 source text：同配音完全對嘴
• 直接 import 剪輯軟件：Premiere、Final Cut、DaVinci 都支援

SRT 嘅詳細用法，可以睇TTS SRT 字幕 workflow。

⚠️ 注意：SRT 輸出只支援 async 模式，sync 模式（≤300 字符嗰個）係冇 SRT 嘅。如果你想一次過出配音 + SRT，要用 async 模式（POST 提交 → poll 結果）。

第七步：合成同後期

最後一步係將配音同字幕合成入影片。

流程：

1. Import 配音音頻入剪輯軟件（Premiere / Final Cut / DaVinci）
2. 對時間碼：將每段配音拖到對應嘅畫面
3. Import SRT 字幕：直接 import 個 .srt 檔
4. 微調字幕樣式：字體、大小、位置、顏色
5. Export 最終影片

呢一步仲有幾個進階技巧：

• 背景音樂：配音 + BGM 嘅音量比例（一般配音佔 70%，BGM 佔 30%）
• 音效：重點句子可以加音效強調
• 字幕斷行：長字幕要手動斷行，唔好靠 SRT 自動斷行
• 靜音檢查：export 前用耳機聽一次，確保冇斷音或重複

字幕配音 vs 純配音：點揀？

有時候你可能只想要配音，唔需要字幕；又有時候只想要字幕，唔需要配音。點樣決定？

如果用港嘢嘅 TTS，配音同字幕可以用同一份稿本一次過生成，唔使額外工序。所以即使最後只用一個 output，另一個 output 都可以留作後備。

情緒控制嘅重要性

情緒控制係成個 workflow 入面最容易忽略、但影響最大嘅一步。

冇情緒控制嘅配音，聽落會好似機械人讀稿——每個字嘅重量一樣、每句嘅節奏一樣、成條片冇高低起伏。觀眾會好快失去興趣。

有情緒控制嘅配音，聽落會似人講嘢——重點字會重讀、轉場會慢啲、開心嘅位會快啲、緊張嘅位會壓低聲。

實際操作上，有幾個原則：

1. 開場要開心：吸引觀眾注意，建立正面印象
2. 重點要慢：畀觀眾時間消化關鍵信息
3. 轉場要平靜：做對比，標誌住新段落
4. 結尾要溫暖：留下好印象，呼籲行動

情緒參數嘅具體設定方法，可以睇廣東話 TTS 情緒控制指南。

批量處理嘅實際效益

如果成條片得 5–10 句對白，逐句生成都唔算慢。但如果成條片有 50 句、100 句，批量處理嘅效益就會好明顯。

舉個例：

註：實際時間取決於 API 回應速度同 queue 狀況，以上數字只供參考。

批量處理仲有另一個好處：一致性。同一批用同一個聲線設定，唔會出現「呢句用咗 A 設定，下一句用咗 B 設定」嘅問題。對於系列片或者品牌片嚟講，呢點非常重要。

⚠️ 注意：批量生成係 Pro 同 Studio 方案先有嘅功能。如果係免費或入門 plan，可以考慮用 sandbox key 試下（每日 20 個生成 call 限額），或者升級去 Pro。

常見錯誤同點避

錯誤一：書面語稿直接配音

書面語稿（例如新聞稿）直接配音，會出到「新聞報道」嘅效果，唔似人講嘢。觀眾會覺得生硬，唔想睇落去。

解決方法：先轉口語稿，加入語氣詞、斬開長句、用生活化用字。

錯誤二：全段同一情緒

成段都用同一個情緒（例如「平靜」），聽落會好悶。觀眾會喺頭 30 秒就跳走。

解決方法：逐句調整情緒，開場開心、轉場平靜、重點興奮、結尾溫暖。

錯誤三：配音同字幕用唔同 source text

配音用一份稿，字幕用另一份稿，結果對唔齊。觀眾會覺得「把聲講緊 A，但字幕寫緊 B」，好混淆。

解決方法：配音同字幕用同一份 source text，AI TTS 可以一次過生成兩個 output。

錯誤四：忽略氣口

對白之間冇留氣口，聽落會好急，觀眾消化唔到。

解決方法：對白之間留 0.3–0.8 秒空白。重要訊息之後可以留長啲（1–2 秒）。

錯誤五：聲線揀錯

用男聲做可愛風格嘅片，或者用女聲做嚴肅嘅片，效果會好怪。

解決方法：揀聲線之前先聽幾個 sample，揀最啱片嘅類型嗰個。如果唔確定，可以用 Playground 試幾個聲線再決定。

錯誤六：SRT 時間碼當完美

以為 SRT 自動出嘅時間碼就一定準，唔做微調就 export。結果可能會有 ±0.5 秒嘅誤差。

解決方法：export 之前喺剪輯軟件入面逐段檢查時間碼，必要時手動微調。

點樣開始？

如果你從未用過 AI 做廣東話字幕配音，建議由以下呢個 workflow 開始：

1. 寫一份 1 分鐘嘅稿本（大約 240 字符）
2. 用港嘢 Playground 試下唔同聲線同情緒
3. 生成配音 + SRT 字幕
4. Import 入剪輯軟件試下效果
5. 滿意之後再 scale up

港嘢嘅 Playground 免費用，可以試晒所有聲線同演繹風格。開戶每月有 5,000 字符嘅一次性額度，足夠試幾條 1 分鐘嘅片。試完滿意之後先升級，會更知道自己需要咩。

如果你想將成個 workflow 自動化（例如批量處理幾十條片），可以睇廣東話 TTS API 快速上手。

常見問題 FAQ

廣東話 AI 配音夠唔夠地道？

港嘢嘅聲線係 Cantonese-native 嘅，唔係由普通話聲線「翻譯」過嚟。實際效果取決於你嘅稿本——如果稿本用咗地道嘅廣東話口語同語氣詞，配出嚟會好貼地。如果稿本係書面語，配出嚟就會比較「新聞報道」。

一條 5 分鐘嘅片要幾多字符？

5 分鐘嘅片大約係 1,200 字符（以每分鐘 240 字符計）。如果你用 Pro 方案（HK$338／月，600,000 字符），可以做到 500 條 5 分鐘嘅片。

SRT 字幕嘅時間碼準唔準？

SRT 字幕嘅時間碼係根據你提交嘅文字長度同語速估算嘅。實際出嚟嘅時間碼可能會有 ±0.5 秒嘅誤差，建議喺剪輯軟件入面微調。

可以用同一個聲線做唔同情緒嘅配音？

可以。同一個聲線可以配唔同嘅情緒（例如開心、平靜、嚴肅、興奮）。你可以喺每句對白嘅 request 入面指定唔同嘅情緒參數。

批量生成最多可以一次過處理幾多句？

港嘢嘅批量 API 最多可以一次過提交 25 個 request bodies。如果你有成 100 句對白，可以分 4 次提交（每次 25 句）。

配音同字幕係咪用同一份 quota？

配音同字幕嘅字符消耗都會從你嘅月配額度扣除。API 同 Playground 係共用同一份 quota。

點樣確保配音同字幕完全對嘴？

最簡單嘅方法係用同一份 source text。港嘢嘅 TTS 喺生成配音嘅同時可以同步生成 SRT 字幕，兩個 output 嘅 source text 係同一份，所以對嘴會好準。

---

[!CTA]

想即刻試下廣東話字幕配音 workflow？

去港嘢 Playground 免費試——寫稿、揀聲線、生成配音、輸出 SRT 字幕，全程喺瀏覽器搞掂。