廣東話語音生成入門：從原理到實作完整指南

一句答你：廣東話語音生成（TTS）係用 AI 模型將粵語文字轉成語音檔嘅技術，唔使錄音都做到接近真人發音嘅粵語旁白；只要揀啱聲線、控制語氣、配好配額，幾分鐘就可以出第一段可用嘅音頻。

Key Takeaways

• 廣東話語音生成（TTS）專攻粵語聲調、多音字、語氣詞，一般普通話 TTS 直接出唔到。
• 主要用途包括短片配音、YouTube 旁白、客服 IVR、教學教材、商業廣告五大場景。
• 揀工具要睇四樣：粵語係咪原生聲線、聲線數量、能否控制情緒同語速、有冇 API 可以批量接入。
• 商業落地要計字符成本、配額 reset 規則、歷史保存期，呢啲直接影響月度預算。
• 入門零成本嘅玩法係用每月免費額度先試聲線同語氣，唔好一開就買最大方案。

廣東話語音生成係咩？同一般 TTS 有咩分別？

廣東話語音生成（Text-to-Speech，粵語圈簡稱 TTS），即係將一段繁體中文或者粵語口語文字，自動轉成聽落自然嘅粵語語音檔案。表面上睇好似好簡單——入文字、出聲音——但背後要處理嘅嘢唔少：九聲六調、多音字點讀、語氣詞（嘅、咩、啦、喇、㗎）點樣插、書面語（「因㗎」「然而」）點樣變口語。

同普通話 TTS 比，廣東話 TTS 難度明顯更高。原因主要有三個：

• 聲調複雜：粵語有九聲六調，唔係普通話四聲，加埋連讀變調規則，入唔到調就完全聽唔明意思。
• 多音字比例高：嘅、咩、啦、嗰、邊、喺呢啲常用字喺粵語同普通話讀音完全唔同。
• 中英夾雜（Code-switching）：香港人講嘢好自然會「我 send 咗個 file 畀佢」，TTS 要識得切換語言同聲線。

所以一個語音生成工具係咪真正支援粵語，唔係睇佢有冇「粵語」標籤咁簡單，要睇聲線係咪由粵語母語者原生錄製訓練、識唔識處理粵語特徵。

想系統性了解粵語 TTS 嘅技術同應用圖譜，可以由 廣東話 TTS 完全指南 嗰篇 pillar 文章入手。

廣東話語音生成嘅五個常見用途

商業應用通常分五大類，每一類對工具嘅要求都唔同：

1. 短片配音

15 秒到 60 秒嘅廣東話短片，需要大量粵語旁白。配音員接單通常幾百蚊一段，而 TTS 字符成本可以壓到幾蚊一段，適合高頻更新嘅內容。

2. YouTube 頻道旁白

知識類、財經類、故事類頻道，每集需要 5 至 20 分鐘粵語旁白。如果每集自己讀，製作時間會拉長 3 至 5 倍；用語音生成可以將文案到音頻嘅流程壓到幾分鐘。

3. 客服 IVR 系統

銀行、物流、外賣平台嘅熱線系統，唔可能每段訊息都請真人錄音。廣東話語音生成可以動態生成「您嘅訂單已經送達」呢類提示語，配合客戶資料即時合成。

4. 教學教材

廣東話教學 app、語言學習平台，需要大量標準發音示範。語音生成可以根據詞彙表批量生成，仲可以控制語速做聽寫練習。

5. 商業廣告配音

品牌想用 AI 聲音快速測試唔同文案嘅效果，傳統流程係配音員逐條收費，AI 可以同時出 5 至 10 條唔同版本 A/B 測試。

呢五個場景嘅共同特徵：對「地道粵語發音」要求高、量大、預算敏感。呢啲正正係語音生成嘅 sweet spot。如果想深入睇揀選工具嘅完整 checklist，可以參考 廣東話 TTS 選購指南。

揀一個廣東話語音生成工具嘅基本準則

市面工具唔少，由 AI 配音平台到 API 服務都有。要揀得啱，可以按呢四個準則篩：

準則一：粵語係咪原生聲線

睇聲線係咪由真正嘅粵語母語者錄製訓練。表面有「廣東話」選項，但聲線可能係普通話底加少少粵語數據微調，出嚟嘅效果會帶鄉音、語氣怪。揀嘅時候可以用同一段粵語口語文本喺唔同工具試聽，比較地道感。

準則二：聲線數量同風格覆蓋

男聲、女聲、少年聲、成熟聲，至少要有 4 至 6 條選擇。如果只得 1 至 2 條，短片、廣告、IVR 嘅差異化就做唔到，多個角色都要用同一把聲。

準則三：情緒同語速控制

可以設定「開心解說」、「沉穩旁白」、「急促新聞」等唔同情緒；仲可以調語速快慢、停頓長短。冇情緒控制嘅工具，做出嚟嘅音會好機械，聽落似讀稿唔似講嘢。

準則四：有冇 API 同批量能力

商業場景一個月可能生成幾百段音。得 web 介面要人手逐段撳，做到天光都未搞掂。API 同批量係商業落地嘅基本盤，揀之前要確認批量係咪需要高階 plan 先用到。

如果想再睇市面主要工具按呢四個準則嘅橫向比較，可以參考 2026 廣東話 TTS 對比。

由零開始嘅四步流程

由未接觸過粵語 TTS，到交出第一段可用嘅音，大致要行四步：

第一步：用開戶免費額度試聲線

開個帳戶，用免費字符試 3 至 5 條唔同聲線，揀一條最啱你項目風格嘅。港嘢免費額度月月重置，用極都有；但唔少平台係一次性派發，所以試聲線都要預先揀好 3 至 5 段唔同類型嘅測試句（旁白、解說、對話、提示語），避免浪費配額。

第二步：將書面語改寫成口語

粵語 TTS 唔係 dump 一段書面文就得。要將「因此」、「語過」、「由於」呢啲書面語改成「所以」、「不過」、「因為」；加返適量嘅語氣詞（嘅、啦、咩、喇）；控制句長，每句建議 15 至 25 字，避免長複合句。

第三步：調語氣同情緒

用工具提供嘅情緒選項，由「平靜」開始試，再調到「開心」、「專業」、「輕鬆」。同時調語速，新聞類 0.95 至 1.0 倍速、教學類 0.85 至 0.9 倍速、廣告類 1.05 至 1.1 倍速。生成後一定要耳機聽一次確認。

第四步：批量接入 API

如果量大，可以接入 API 批量生成。API 嘅好處係可以同 CMS、剪片軟件、客服系統串埋，做到自動化生產。批量提交通常係高階 plan 嘅功能，唔係所有 tier 都預設開放。粵語 TTS API 快速上手 有完整嘅 step-by-step 教學，從開 key 到第一段音。

廣東話語音生成常見伏位

新手最常撞嘅幾個坑，呢度逐個拆解：

伏位一：書面語直接餵入 TTS

「因此」、「不過」、「由於」、「固然」呢啲書面語，AI 讀出嚟會好生硬，唔似香港人日常講嘢。要預先改寫成口語，AI 先出到自然嘅粵語。

伏位二：忽略多音字

「行」喺「銀行」讀 hang4、「行路」讀 hang4、「行列」讀 hong4；「重」喺「重要」讀 zung6、「重複」讀 cung4。唔標清楚 AI 有時會撞錯，特別係地名同姓氏。處理方法詳見 廣東話多音字攻略。

伏位三：中英夾雜處理差

「我 download 咗個 file」、「佢 send 咗個 email 畀我」呢類句子，TTS 要可以切換粵語同英語發音。處理唔好嘅工具會用粵語聲線硬讀英文，聽落好怪。揀工具嘅時候一定要試夾雜句子。

伏位四：情緒同內容唔配

嚴肅新聞用太開心嘅情緒，或者搞笑短片用太沉穩嘅聲線，效果會好尷尬。生成後一定要聽一次檢視，必要時重新調情緒參數再生成。

伏位五：忽略停頓同標點

粵語 TTS 對標點敏感，句號、逗號、頓號會影響停頓長短。如果文本冇標點或者標點錯位，出嚟嘅音會變成「一口氣講完」，聽落好攰。

商業落地要點：成本、配額、歷史

個人玩玩可能唔太 care 成本，但商業項目一定要計清楚幾樣嘢：

一、字符配額會唔會 reset

有啲工具係每月 1 號 reset，有啲係跟用戶自己嘅訂閱週期日 reset（即係 anniversary anchor，唔係月曆 1 號）。對外講法係「每個帳單週期重置」。重置日唔同，月度預算嘅計算方法會唔同，項目管理要對齊呢個週期。

二、有冇超額收費

有啲工具配額用完就彈「請升級」，有啲會按用量額外收費。對成本敏感嘅項目要事先確認收費模型，唔好月底收到意外賬單。

四、歷史保存期

生成完嘅音頻會保存幾耐？15 日、30 日、90 日、120 日，唔同 tier 唔同。短片項目可能要重新下載舊檔做修改，保存期短會造成額外工作量。

五、批量 API 嘅權限

批量通常係高階 tier 嘅功能，唔係所有 plan 都可以用。如果一開就要批量，要事先揀啱 tier，免費或者入門 plan 可能冇呢個能力。

想睇更詳細嘅成本分析同方案對比，可以參考 廣東話 TTS 定價解析。

由個人試玩到商業落地嘅轉變

好多用戶第一個月用免費額度試，覺得效果唔錯就即刻跳去買最大 plan。呢個做法唔係唔得，但通常會 overpay。因為你仲未實際試過批量、API 接入、團隊協作，唔知自己真正需要幾多字符、幾多並行任務、幾耐保存期。

建議嘅升級路徑係：先用免費額度試聲線同語氣 → 揀入門 plan 試一個月實際工作量 → 根據實際用量同團隊人數升專業或者工作室。咁樣可以避免一開始 overpay，又唔會因為太細嘅 plan 撞 quota。

如果你想用最低成本開始，可以直接去 Playground 揀聲線、輸入文字、生成第一段音，試吓效果再決定升唔升 plan。

常見問題 FAQ

廣東話語音生成係咪一定要識 API？

唔係。好多平台提供 web 介面，入文字、撳生成、下載音頻，三步搞掂。API 主要係畀批量、商業自動化嘅用戶用，個人玩玩 web 介面已經夠。

廣東話 TTS 識唔識讀廣東話口語？

睇工具。有啲只能讀書面語，有啲支援書面同口語切換。口語輸入嘅效果通常會有「語氣詞插入」（嘅、啦、咩、喇）嘅設定，亦有啲工具會自動根據句意加語氣詞。

免費額度夠唔夠試聲線？

夠。一般免費額度足夠試 5 至 10 條唔同聲線、再加幾段唔同情緒測試。建議先用免費額度試齊所需風格，再決定升唔升 plan，唔好一開就用晒預算。

廣東話 TTS 出嚟嘅音可唔可以商用？

視乎工具嘅用戶協議。大部分商用 plan 嘅輸出可以用於商業項目，包括短片、廣告、IVR；免費 plan 通常只限個人、非商用。升 plan 前要睇清楚授權條款，特別留意 AI 生成內容嘅披露要求。

點解有啲 TTS 讀粵語帶鄉音？

因為聲線底層係普通話模型加粵語數據微調，聲調、語氣、停頓位都帶普通話習慣。揀工具要揀由粵語母語者原生錄音訓練嘅聲線庫，呢類工具嘅粵語地道感會明顯好啲。

商業項目一個月大概要幾多字符？

視乎項目類型。一條 5 分鐘嘅粵語旁白大約 1,200 字符；一個月出 50 條 YouTube 短片，每條 3 分鐘，即係約 36,000 字符。批量項目（IVR、教學）可以預到 100,000 至 300,000 字符一個月。

點樣確保生成嘅音頻音質穩定？

固定聲線 + 固定情緒設定 + 固定語速參數，輸出會比較穩定。唔好每次臨場調參數，會增加後期混音工作量。建議項目入面將聲線參數 preset 化，每次直接套用。

[!CTA]

開始你嘅第一段粵語語音

用 Playground 揀聲線、調情緒、出第一段音頻，全程幾分鐘，零成本開始試粵語 TTS。