對話式 AI 廣東話指南：由客服到互動助理嘅落地攻略

一句答你： 對話式 AI 要喺香港企得穩，廣東話語音係基本盤：語言層面要處理語氣詞、九聲六調同中英夾雜三大難點，體驗層面要將生成延遲設計到用戶感覺唔到，再配埋兜底同轉人手機制。每分鐘音頻約 240 字符，成本以角計，由免費帳戶試起就得。

Key Takeaways

• 對話式 AI 嘅語音鏈：用戶輸入 → 理解 → 生成回應 → 粵語 TTS → 播放，每個 turn 都係一場細水長流嘅表演。
• 廣東話三大語言難點：語氣詞（喇啦囉）用得自然先有港味、聲調要讀得準（詩史試時市事）、中英夾雜係日常唔係例外。
• 延遲設計核心：短 turn 短回應，每分鐘音頻約 240 字符，回應寫得短，等得就少。
• 聲音係品牌資產：揀定一把聲配埋情緒風格設定，全套對話同一質感。
• 兜底設計必須有：生成失敗有文字版後路，重要場合要可以隨時轉人手。
• 限流同在途上限要程式化管理：每分鐘 60 個計費請求起跳，在途上限免費 3 個至工作室 20 個。

對話式 AI 喺香港：廣東話係基本盤

呢幾年對話式 AI 滿天飛，但香港用戶一開口就驗到貨：你個機械人識唔識講廣東話？講得似唔似香港人講嘢？文字層面，多數模型已經應付到；一到聲音，好多產品就露底——用其他語言嘅聲線硬讀廣東話稿，聽落「怪怪哋」，用戶試一次就唔會再開。

香港嘅現實係：廣東話唔係「多一種語言支援」，係主場語言。客戶服務、預約系統、互動助理、電話熱線，邊個產品嘅聲音聽落自然，用戶就信邊個。呢樣嘢冇捷徑，一定要由語音引擎嗰層就係為粵語而設計。

仲有一層少人提但好真實：廣東話聲音係長者同唔擅長打字嘅用戶接觸科技嘅門。同一個查詢系統，長者識聽唔識睇小字，有把聲佢就用到；個聲仲要係廣東話，佢先會覺得「呢個嘢係為我而設」。做對話式 AI 做埋呢個群體，個市場先係完整嘅。

對話式 AI 同單向配音唔同：配音係一次過錄好晒，對話係即場互動，每一個回合都係「生成、出聲、聽反應」嘅循環。所以做對話式 AI 嘅粵語語音，要同時顧兩層：語言層（讀得啱、有港味）同體驗層（等得短、接得順）。呢篇兩層都講。對粵語 TTS 唔熟嘅讀者，建議先睇廣東話 TTS 完全指南打底。

語音對話嘅基本鏈路

一個對話回合行起上嚟係咁：

用戶講嘢／打字
   ↓
理解：語音辨識或者文字理解
   ↓
對話層：LLM 或者規則引擎決定點答
   ↓
清洗貼稿：整成適合朗讀嘅稿
   ↓
粵語 TTS：生成語音
   ↓
播出俾用戶聽

本文焦點喺後半段——貼稿同粵語 TTS 嗰幾步。前半段（辨識、理解、對話策略）每個產品各有做法，但後半段做好，成個對話嘅「人感」先會出嚟。

鏈路入面有幾個設計決定要早啲做：

輸入邊條路？ 用戶打字定講嘢？講嘢就要處理語音辨識，個鏈長啲；打字就輕好多。好多產品兩樣都支援，輸入方式唔影響後半段嘅設計。

回應邊個寫？ 規則引擎定 LLM 生成？規則引擎出嘅回應固定，可以預先逐句執靚貼稿；LLM 生成就要加一道清洗程序。兩者嘅貼稿策略唔同，但殊途同歸：落語音引擎之前，稿一定要係「講得出」嘅嘢。

音頻邊度播？ 網頁播放器、手機應用、電話線路，播法各異，但音頻檔本身一樣。粵語 TTS 嘅生成結果係標準音頻，邊度都用得。

鏈路嘅技術細節（拆段、輪詢、播放排程）同 LLM 語音輸出嗰套一脈相承，呢度集中講對話場景特有嘅考量。

廣東話對話嘅三大語言難點

語氣詞先至有港味

「好喇」、「係啦」、「唔係囉」——呢啲語氣詞係廣東話對話嘅靈魂。同一句「我知」，加唔加語氣詞、加邊個，情緒完全唔同：知道喇（確認）、知道啦（輕鬆）、知啦知啦（有啲唔耐煩）。對話式 AI 嘅回應如果全部無語氣詞，聽落機械；亂咁加，又會油腔滑調。

處理原則係「貼日常、有節制」：

• 確認類回應用「好嘅」、「收到喇」，簡短自然。
• 安撫類用「唔使擔心」、「慢慢嚟」，語氣放軟。
• 一個回應一兩個語氣詞封頂，通篇都係就變咗嬉皮笑臉。
• 唔同情境配唔同語氣詞：道歉場景唔好用「囉」，催促場景唔好用「喎」，用錯場合比唔用更差。

規則引擎出嘅回應，語氣詞可以人工逐句定；LLM 生成嘅，就喺提示詞指明「語氣自然、語氣詞適量」。語氣詞嘅用法同讀法，粵語語氣詞：AI 點樣讀出香港人嘅語氣一文逐個字拆過，貼稿之前值得睇一次。

聲調要讀得準

粵語傳統上講九聲六調，同一個音節唔同調，字義完全唔同：「詩史試時市事」六個字都係 si 挨住六個調，讀錯調就係讀錯字。對話場景仲有一個特別難位：句子入面嘅變調同輕重音，係香港人語感嘅一部分，攞唔準就聽落「生硬」。

貼稿層面可以做嘅事：

• 專名、人名讀音有疑問就查證，唔好靠估；一次錯，用戶對成個系統嘅信心都跌。
• 數字、日期寫成中文字，讀法唔會有歧義。
• 句子唔好太長，長句入面嘅語調起伏少，聽落沉悶；短句天然有節奏。
• 粵拼係粵語標音嘅標準方案，香港語言學學會嘅粵拼 Jyutping係官方參考，做語音測試定貼稿對照都用得着。

引擎層面就要揀一個粵語聲調處理成熟嘅服務——呢個正正係粵語專門引擎同「順便支援粵語」嘅通用引擎差別最大嘅位。揀嗰陣攞啲多音字、變調句去試讀，一聽就分到高下。

中英夾雜係日常唔係例外

香港人對話自然夾英文：「book 咗未」、「send 俾我」、「今日好 busy」。對話式 AI 嘅回應貼稿，應該跟返日常講法夠自然：硬將英文字轉晒中文（「預約咗未」、「傳送俾我」），聽落反而唔似香港人講嘢。反過嚟，成句英文塞入廣東話回應又會突兀，夾幾多、夾邊度，要跟場景調：科技產品嘅用戶夾多啲都自然，長者服務就少夾為妙。中英夾雜嘅處理原理同實務，廣東話中英夾雜點讀？有完整講解。

對話體驗設計：延遲同節奏

對話同文章朗讀最大分別係：用戶等唔切。每一個回合，用戶心入面有條計時器。延遲設計嘅核心招數：

回應寫短。 每分鐘音頻約 240 字符，即係每秒大約四個字。一段四十個字嘅回應已經要讀十秒——對話入面算長。養成「一句答完就一句答完」嘅貼稿紀律，細節留返俾用戶追問，係對話式 AI 最反直覺但最重要嘅紀律。

拆段流水播。 長啲嘅回應拆段生成、逐段播，用戶聽到第一句嗰陣，後面仲喺度生成，感覺快好多。

佇列管好。 同時對話嘅用戶多咗，生成任務會排隊。在途任務上限免費 3 個、入門 5 個、專業 10 個、工作室 20 個，用量規劃要按同時在線人數計好；每把金鑰每分鐘 60 個計費請求起跳，撞限流就跟 Retry-After 排隊，唔好硬撞。

固定內容預先生成。 歡迎語、轉場語、常見答案，呢啲「問極都係咁答」嘅內容，預先生成收埋，用嗰陣直接播，零等待。真正要即場生成嘅，淨返真正動態嘅部分。

過場唔怕等，等要有着落。 轉場位可以加一句「等我幫你查下先」——人講嘢都會有呢啲過渡語，反而顯得自然；但條件係真係有嘢跟緊，唔係齋拖時間。

預測先行。 用戶仲講緊嘢嗰陣，系統已經可以按上文開始準備可能嘅回應，等佢講完，話咁快就接得上。預測唔中就當白做，命中就快人一步，呢招喺高流量場景特別好使。

聲音就係品牌

對話式 AI 把聲，等於店面嘅裝修同制服。幾件事要做實：

• 一把聲行到底：揀定聲線之後，所有對話、所有場合都用同一把。聽眾日積月累就會認得呢把聲，認得就有信任。
• 情緒設定要一致：客服場景全程平穩溫和，忽冷忽熱最傷信任；情緒參數點設定，TTS 情緒控制實作有完整教學。
• 自由指示用嚟定調：生成時帶埋自由指示（例如「語氣親切、語速適中」），成個對話嘅質感就由呢句嘢定調，TTS 指示完整教學教你點寫指示先有效。
• 試聽用真對話稿：揀聲線唔好用示範句，攞十句真實嘅用戶問題同回應，逐把試讀，聽吓「傾偈」嗰陣邊把最自然。
• 寫入品牌指引：聲線識別碼、情緒設定、指示句式，全部寫低入內部指引，日後任何同事接入都係同一套，聲音品牌先至穩。

升級人手同兜底設計

對話式 AI 唔可以只諗順境。三條後路一定要預：

文字版後路。 語音生成偶爾會慢或者失敗，UI 要可以即刻跌返文字回應，用戶唔會成個回合報廢。後路平時用唔着，一旦出事就係救命繩。

轉人手机制。 用戶明確要求搵真人、或者連續幾個回合都理解錯誤，就要順滑轉做人工通道。轉嘅嗰下要有交代（「我幫你轉俾同事跟進」），唔好無聲無息斷線。

敏感話題守則。 涉及投訴、爭議、個人資料嘅對話，貼稿層面預先定好回應邊界：可以講咩、唔會講咩、幾時交人手。客服場景嘅完整設計考量，客服系統廣東話語音應用有專門講解。

成本考量

對話式 AI 嘅語音成本好易計：每分鐘音頻約 240 字符。一段典型嘅對話回應十到三十秒，即係幾十至百幾字符，即係話一千次短對話回合，語音成本都係幾十蚊港元呢個量級，以入門方案計。方案方面，入門每月 HK$128 有 200,000 字符（約 833 分鐘音頻），專業 HK$338 有 600,000，工作室 HK$688 有 1,400,000，配額每個帳單週期重置；用多咗可以買字符包，劃一每千字符 HK$0.80，最小 HK$50 有 62,500 字符。免費開戶有每月 5,000 字符（月月重置），足夠砌一條對話原型試晒全流程。對話量越大，「回應寫短」呢個貼稿紀律就唔止係體驗設計，同時都係慳錢紀律。配額同單價嘅詳細對照，可以睇廣東話 TTS 價錢點計。

常見問題 FAQ

對話回應應該幾長先啱？

一句到三句最理想，幾十至百幾字。對話節奏快，長篇大論用戶會跳走；有需要嘅細節，等用戶追問先展開。

可以用唔同聲線分唔同角色嗎？

得，例如一個客戶經理聲、一個技術支援聲，各管一攤。但每個角色內部要一把聲行到底，唔好同一段對話轉嚟轉去，用戶會混亂。

點先令把聲聽落似香港人講嘢？

三件事：貼稿跟日常講法（包括中英夾雜）、語氣詞用得節制、揀一個為粵語而設計嘅語音引擎。三者夾埋，港味先出嚟。

聲調讀錯有咩影響？

輕則怪怪哋，重則變咗另一個字，意思全錯。貼稿時專名同拿唔準嘅字要查證，語音測試可以對照粵拼標音做。

同時好多用戶傾偈，會唔會塞車？

要睇方案嘅在途任務上限（免費 3 個至工作室 20 個）同每分鐘限流（預設 60 個計費請求）。用量預測做足，唔夠就升級方案；程式層面用佇列管理，塞車機會就細。

用戶要求搵真人，點處理先順滑？

預先設計轉接語：「明白，我幫你轉俾同事跟進。」之後順滑交俾人手。唔好同用戶拗，亦唔好無聲無息斷線，交代一句先轉係基本禮貌。

常見問題嘅答案，次次都要重新生成嗎？

唔使。歡迎語、常見答案呢啲固定內容，預先生成一次收埋，用嗰陣直接播，零等待又慳配額。真正要即場生成嘅，淨返動態嘅部分。

起步要幾多預算？

免費開始：每月 5,000 字符（約 21 分鐘音頻），夠砌一條對話原型、試揀聲線、行通全流程。之後按用量上入門（HK$128／月，200,000 字符）已經夠一條中等流量嘅對話線跑。

對話內容可以攞嚟做記錄或者改善服務嗎？

文字對話記錄屬於產品自己嘅資料，點樣用跟返你自己嘅私隱政策。語音檔方面留意音頻連結有時效（生成端直接出嘅 7 日、入庫 1 小時），要做長期記錄就及時下載備份。

[!CTA]

俾你嘅 AI 講一句地道廣東話

免費開戶即刻試：每月 5,000 字符，夠你同自己嘅對話式 AI 傾完一成個原型。