Cartesia 低延遲語音技術：粵語用家2026年可用性分析

一句答你： Cartesia 主打低延遲即時語音，評佢粵語可用與否，唔應該淨係聽一句 demo，而係要用一套可重複嘅評估方法，重點睇客服同 agent 場景下嘅五個指標。

重點摘要 Key Takeaways

• Cartesia 嘅賣點係低延遲語音，適合即時對話場景，例如客服熱線同語音 agent。
• 粵語係低資源語言，多音字多、口語字多，任何 TTS 都要實際評過先知表現。
• 評估方法比品牌名更重要：用固定文本、盲測評分、五指標打分，先可以橫向比較。
• 五個測試指標：延遲、聲調準確度、口語自然度、多音字處理、中英夾雜表現。
• 評測結論要標觀察日期，因為模型更新快，今日嘅結論聽日可能過期。
• 如果粵語係你嘅主戰場，可以對比粵語 TTS 比較指南 2026再決定。

Cartesia 係咩：低延遲語音嘅定位

Cartesia 係一間專注即時語音生成嘅公司，核心賣點係低延遲，即係由收到文字到播出聲音之間嘅時間差好短。呢類引擎嘅目標場景唔係「事後錄旁白」，而係「即時對話」：語音 agent、電話客服、即時傳譯呢啲一問一答嘅應用。

講低延遲之前，先搞清楚兩個概念。延遲（latency） 係指由系統收到輸入（例如一句文字）到用家聽到第一個音節之間嘅時間。延遲愈低，對話愈似真人傾偈；延遲高過幾百毫秒，用家就會覺得「對方愣住咗」。

即時語音（streaming speech） 係指語音可以邊生成邊播出，唔使成句生成完先播。對 agent 場景嚟講，呢個能力直接決定體驗：如果每次回應都要等成句合成，對話節奏就會斷。

點解低延遲咁重要？舉個例：一個電話客服 bot，用家問「你哋幾點收工？」，如果停兩秒先答，用家會以為斷線，或者直接鬧「喂？有冇人？」。真人對話嘅回應間隙通常好短，所以語音 agent 嘅延遲預算好辣。呢個課題可以睇埋語音 agent 延遲預算規劃。

粵語可用性：點解唔可以直接信 demo

粵語有幾個結構性難點，令「英文普通話得，粵語都得」呢個假設好危險。

第一，多音字 係指同一個漢字有多過一個讀音，要靠上文下理先判斷正確讀法。粵語多音字特別多，文字轉拼音呢一步（學界叫 G2P）容易出錯，係粵語 TTS 嘅核心難點（Cantonese G2P, Interspeech 論文， 2026 呢個議題喺語音研究界已有專文討論）。多音字讀錯，成句意思就歪晒。

第二，粵語有六個聲調（教學上常講九聲六調），聲調錯咗，字就變咗第二個字。例如「詩、史、試、時、市、事」呢幾個音節，聲母韻母一樣，全靠聲調分。評任何粵語 TTS，聲調係必測項。

第三，香港日常講嘢係中英夾雜：「check 嚇」、「follow up」、「deadline」呢啲字眼全部會出現喺真實客服對話。一個引擎朗讀純中文好正，但遇到英文專有名詞就跳針，喺香港場景就係唔合格。

第四，資源問題。全球約有 8,490 萬粵語母語者，但高質素標註語音資源長期不足（WenetSpeech-Yue 論文， 2026），所以各家引擎嘅粵語訓練深度差異好大，唔可以淨係睇品牌知名度。基礎概念可以參考粵語 TTS 入門指南。

評估方法：點樣先算「評測」而唔係「聽嚇」

好多所謂評測其實係「開個網頁，打兩句，聽落 OK」。呢種結論冇得重複，冇得比較。要做一個企得住腳嘅粵語可用性評估，要有清楚嘅測試步驟。

測試步驟

1. 準備固定文本集：至少 30 句，覆蓋以下類別——日常口語（含嘅、咗、喺、嚟、唔等口語字）、數字同日期、地址同街名、中英夾雜句、多音字陷阱句。
2. 準備場景文本：客服開場白、轉駁指示、查詢回覆呢啲真實會用嘅句子，而唔係「你好，今天天氣很好」呢啲朗讀腔。
3. 盲測評分：將輸出音頻匿名編號，搵 3 至 5 個粵語母語評分員，逐句評聲調、自然度、可懂度，唔話佢哋知邊句出自邊個引擎。
4. 量延遲：喺同一網絡環境、同一日時段量度，記錄由提交到首音節播出嘅時間，重複多次取中位數。
5. 記錄環境同日期：模型更新快，任何結論必須標明觀察日期，本文全部以 2026-10-31 為觀察基準。

呢個方法同業界講嘅粵語 TTS 盲測方法一致，詳細做法可以睇粵語 TTS 盲測方法。

五個測試指標

盲測（blind test） 係指評分員唔知道音頻出自邊個系統嘅測試方式，用嚟消除品牌偏見。G2P（grapheme-to-phoneme） 係指將文字轉換成音標嘅過程，係 TTS 前處理嘅關鍵一步，粵語喺呢步特別易出錯。

逐個指標講多少少。延遲要分「首字延遲」同「整句完成時間」，agent 場景最緊要首字。聲調準確度建議用最小對立句（即係淨係聲調唔同嘅句子）去迫出錯誤。口語自然度要留意語氣詞（喇、囉、咩）有冇讀出生氣，定係讀得怪怪哋。多音字就例如「重」、「長」呢類字，喺「重量」同「重要」入面讀法唔同。中英夾雜就試「你個 deadline 係聽日，記得 follow up」呢種真實句。

【獨家觀察】我哋睇過唔少平台嘅語言表，發現一個規律：標榜「支援多語言」嘅引擎，粵語表現通常分兩級——一級係「有粵語音色，認真做過」，另一級係「粵語音色其實係帶粵語味嘅普通話」。分辨方法好簡單：播一句入聲字（例如「一、七、八、十」，收尾 -p、-t、-k 短促）同一句圓唇韻母（例如「書」、「雪」），如果入聲拖長、韻母嘴唇唔收圓，好可能係後者。呢個測試三十秒做完，比睇任何宣傳文案都準。呢個都係點解我哋堅持評測要有固定文本集——宣傳頁永遠播最好嗰句。

低延遲語音喺客服同 agent 嘅實際應用

低延遲引擎嘅價值，要放喺實際場景先睇到。

電話客服

客服熱線嘅語音 bot 要做到三件事：開場白自然、聽明用家問題、回應唔窒。延遲敏感度最高，因為電話線上冇畫面遮醜。呢類項目嘅整體考量可以睇香港 AI 電話客服支援比較。

語音 agent

語音 agent（voice agent） 係指可以同用家用聲音多輪對話、理解意圖並執行動作嘅 AI 系統。agent 要接駁知識庫、工具調用，語音層只係其中一環，所以語音引擎嘅延遲要同成條鏈路一齊計。呢方面可以參考廣東話語音 agent 開發指南。

例如：一個物業維修熱線 agent，用家講「廁所水龍頭壞咗」，agent 要認（ASR）、諗（LLM）、答（TTS）。TTS 延遲每慳一百毫秒，用家體感就順一分。但同時，如果 TTS 將「一樓」讀錯調，維修師傅就去錯樓層——所以延遲同準確度永遠要一齊睇，唔可以為快犧牲準。

保安同授權注意事項

用低延遲語音做客服，仲要留意合規。聲音複製他人聲音必須取得明確同意，呢個唔止係道德要求，亦係香港私隱框架下嘅資料保障議題（PCPD AI 個人資料保障框架， 2026）。聲音克隆本身係活躍研究領域，技術門檻持續下降（Voice Cloning 綜合綜述， 2026；早期表達性克隆研究可見Expressive Neural Voice Cloning, 2026），而偵測克隆攻擊亦有專門研究，例如以音色水印偵測聲音克隆（Timbre Watermarking 論文， 2026）。企業揀語音方案時，錄音通知、同意機制、聲音授權全部要寫入流程，詳情可睇香港語音 AI 合規指南。聲線資產點管理，可以再睇語音資產管理指南。

Cartesia 類引擎 vs 旁白型 TTS：唔係二揀一

好多人問：揀低延遲引擎定係高質旁白引擎？其實呢個係兩個用途。

低延遲引擎（Cartesia 屬呢類）強項係即時對話，但長文朗讀嘅韻味、停頓設計未必係佢嘅優先目標。旁白型 TTS 就啱課程、有聲書、宣傳片。兩者可以並存：熱線用低延遲，宣傳片用旁白型。旁白用途嘅選擇方法可以睇AI 旁白配音指南。

如果要做聲線一致性——例如品牌指定一把聲行天下——就要研究克隆流程，參考語音克隆指南。

成本同測試預算：點樣起步先唔嘥錢

評測唔使一開始就畀大錢。合理路徑係：先細規模 PoC，再正式採購。呢個流程嘅詳細做法可以睇粵語 TTS PoC 工作流同TTS API 成本計算器。而家主流雲端語音平台多以字符量計費，例如 HeyGen 官方列出 Voice API 為每 100 萬字符 30 美元、Turbo 為 15 美元（HeyGen 定價頁， 2026），港嘢嘅廣東話 TTS 亦係按字符計——登記送 2,000 字符（一次性），大約等於 8 分鐘音頻，足夠跑一輪細規模盲測試。字符換算大約 240 字符一分鐘，即係 10 分鐘旁白約 2,400 字符，自己做測試文本集時可以用呢個比例估算。

評測時記得一個原則：每個候選引擎用同一份文本集、同一日測、同一班評分員。唔係咁，分數冇得比。

資料來源同方法說明

本文冇對任何特定引擎做逐項規格評分；所有判斷框架（五指標、測試步驟）係通用方法，適用於評 Cartesia 或任何低延遲語音引擎嘅粵語表現。語言事實（六聲、入聲、口語字、多音字、中英夾雜）屬粵語語言學常識；粵語資源狀況參考 WenetSpeech-Yue 論文（arXiv:2509.03959, 2026）；克隆保安參考 arXiv 論文 2505.00579、2102.00151、2312.03410；合規參考香港私隱專員公署及數字政策辦公室文件（Digital Policy Office AI 框架， 2026）。所有觀察以 2026-10-31 為基準，引擎表現會隨更新改變。

常見問題 FAQ

問題：Cartesia 支唔支援粵語？

唔可以單靠本文答。語言支援表會隨版本更新，建議直接查官方最新文件，並用本文嘅固定文本集自己做一輪盲測（2026-10-31 觀察基準）。重點係：就算列咗「支援」，都要試入聲、圓唇韻母、多音字、中英夾雜呢四關。

問題：低延遲係咪愈低愈好？

延遲低係好事，但要同準確度一齊睇。讀錯聲調嘅快，唔會好過讀得啱嘅稍慢。客服場景建議先定延遲預算，再喺預算內揀準確度最高嗰個。

問題：我唔係工程師，做到呢個評測嗎？

得。固定文本集、盲測評分、入聲短測呢啲步驟，用任何網頁版工具都做到，唔使寫 code。最緊要係文本集固定、評分員唔知邊句出自邊個。

問題：評測用幾多句先夠？

最少 30 句，覆蓋口語、數字日期、地址、中英夾雜、多音字五類。想更穩陣就加到 100 句，每類至少 15 句。

問題：聲音克隆喺客服項目使唔使得？

使得，但要授權先行。用真人聲要書面同意，品牌自建聲線都要保留授權紀錄。克隆攻擊偵測係活躍研究領域，授權同標示做得足，先至企得住監管審視。

問題：粵語 TTS 同普通話 TTS 可以共用一個引擎嗎？

好多人以為「中文」一欄包晒，其實粵語同普通話喺聲調系統、韻母、口語字上差好遠。一定要分開測，唔可以普通話分高就當粵語都得。

問題：測試完，結論可以放幾耐？

模型更新快，建議每季重測一次，或者引擎有版本更新就重測。所有結論標明日期，方便日後翻查。

---

[!CTA]

想親手評粵語語音？喺 Playground 試你最嗰句

即刻去港嘢 playground，用你真實場景嘅文本跑一輪，登記送 2,000 字符（一次性）。

關於港嘢：我哋專做香港廣東話語音。有查詢可以聯絡我們，或者睇關於港嘢。

本文由港嘢內容團隊撰寫，經編輯覆核（2026-10-31）