CosyVoice 粵語指令式配音應用指南 2026

一句答你： CosyVoice 係指令式 TTS，你用自然語言話畀佢知「點講」——但落手做粵語配音之前，要識寫指令，仲要知佢五個限制。

重點摘要 Key Takeaways

• 指令式 TTS 嘅賣點係「用一句話控制語氣」，唔使逐個參數咁校。
• 粵語指令要寫「語氣＋節奏＋情境」三樣嘢，唔好淨係寫「講粵語」三個字。
• CosyVoice 嘅 instruction mode 同 transcript-based cloning 係互斥，揀咗一個就唔可以用另一個（根據 ComfyUI CosyVoice 節點官方說明，2026-10-31 觀察）。
• 粵語 TTS 最大技術難點係多音字同文字轉拼音（G2P），學界已多次指出呢點。
• 聲音克隆有版權、私隱同水印偵測風險，商業項目一定要拎授權。

乜嘢係指令式 TTS？

指令式 TTS 係一種用自然語言做控制介面嘅語音合成方法：你唔使調 slider、唔使揀 emotion preset，直接打一句「用輕鬆親切嘅語氣講，好似同朋友傾偈咁」，個模型就會照住你嘅描述去演繹。

傳統 TTS 俾你嘅控制係「參數式」：語速 1.2 倍、音高降 3 度、停頓 0.5 秒。呢種方法精準，但你要識調，而且調完出嚟嘅嘢未必有「人味」。指令式就調轉頭，俾你講「感受」，模型自己翻譯做聲學特徵。

例如你想做一條旅遊宣傳片旁白，參數式你要試十次八次先執到嗰種「慢慢嘆、好寫意」嘅感覺；指令式你打一句「用溫柔悠閒嘅語氣講，彷彿望住個海」，一次就可能中。

Voice cloning（聲音克隆） 係指用一段參考音頻做底，令合成出嚟嘅聲音似返嗰個人嘅音色。學界綜述指出，聲音克隆技術近年發展好快，但同時帶嚟濫用風險，業界正研究用浮水印等方法偵測克隆攻擊（Voice Cloning 綜合綜述， 2026）。如果你想深入了解成個克隆流程，可以睇埋聲音克隆完整指南。

CosyVoice 粵語可以點玩？

CosyVoice 系列嘅特點係一個框唔單止做克隆，仲支援「指令模式」。喺 ComfyUI 生態入面，有人做咗 CosyVoice 節點，根據該節點嘅官方說明文件（2026-10-31 觀察），instruction mode 同 transcript-based cloning 係互斥——即係話，你揀咗用指令控制風格，就唔可以同時用逐句對稿嘅克隆模式。

呢個限制其實好合理：指令式係「描述風格」，克隆式係「照住個底稿讀」，兩者嘅控制邏輯唔同。實務上你通常係按項目揀一邊：

指令式粵語操作上，有使用者會用「請用廣東話表達」呢類指令叫模型行粵語路徑（根據 ComfyUI CosyVoice 節點文件，2026-10-31 觀察）。但要留意，呢類係社群工作流做法，唔等於官方保證粵語輸出質素；廣東話嘅九聲六調、入聲 -p/-t/-k 韻尾、圓唇韻母呢啲特徵，對任何 TTS 都係挑戰。想打好基礎，可以先睇廣東話 TTS 入門指南。

粵語指令寫法：三件事齊先得

寫指令唔係作散文，係俾模型清晰信號。根據公開工作流同創作者分享，一條有用嘅粵語指令通常包含三個元素：

一：講明語氣

唔好淨寫「開心」。開心有分：偷偷笑、狂喜、苦中作樂。寫得具體，模型先有得演。

例如：

• 「用興奮雀躍嘅語氣講，好似宣佈中獎咁」
• 「用沉穩安慰嘅語氣講，好似半夜同朋友傾心事」

二：講明節奏

節奏係粵語旁白嘅靈魂。同一句「今晚食咩好」，快講係趕時間，慢講係嘆世界。指令入面加節奏描述，例如「語速偏慢，句尾停一停」，出嚟嘅嘢會立體好多。

三：講明情境

情境幫模型鎖定整體氛圍。例如「呢段係茶餐廳宣傳片嘅開場白，對象係香港本地客」，模型會自然行向市井親切嘅演繹，而唔係電視台新聞腔。

三樣齊，你嘅指令大概係咁：「用親切帶笑意嘅語氣，語速中等偏慢，好似茶餐廳老闆同熟客打招呼咁，講以下呢段。」呢個結構可以套用到廣告、教材、有聲書。

五個限制：落手前一定要知

限制一：指令唔係咒語

指令寫得幾靚，模型都唔係次次照辦。學界早喺表達型語音克隆研究已經指出，說話風格嘅遷移同控制係出名難嘅問題，同一句指令喺唔同文本上效果可以差好遠（Expressive Neural Voice Cloning 論文， 2026）。實務上要預留試錯位。

限制二：粵語多音字係硬傷位

粵語多音字多，G2P（grapheme-to-phoneme，文字轉拼音） 係將書面字元轉做發音嘅步驟，係粵語 TTS 出錯嘅重災區。研究粵語語音技術嘅論文指出，多音字係粵語 TTS 嘅核心難點之一（Cantonese G2P 論文（Interspeech）, 2026）。指令模式幫你控制語氣，但幫唔到你解決「行街」定「銀行」呢類讀音問題，要靠發音詞典或人工校對。想知多啲粵語發音系統，可以睇粵語懶音同標準發音。

限制三：克隆有安全同法律風險

聲音克隆唔係淨係技術問題。用人哋把聲要有明確同意；香港私隱專員公署嘅《人工智能（AI）：個人資料保障模範框架》就處理 AI 時代個人資料嘅保障要求（PCPD 模範框架， 2026）。另外，學界已經研究喺音色加浮水印嚟偵測聲音克隆攻擊，即係話，克隆出嚟嘅聲可能被技術手段識別（Timbre Watermarking 論文， 2026）。商業項目授權文件一定要齊。

限制四：指令同克隆互斥，工作流要分叉

前面提過，instruction mode 同 transcript-based cloning 互斥。實務影響係：你要「指定聲線」定係「指定演法」，多數時間只可以揀一邊先。想做「指定聲線＋指定演法」，就要行兩步：先克隆出基礎聲線，再用後期處理或重新生成去執語氣。

限制五：開源工作流嘅維護成本

ComfyUI 呢類節點式工作流引擎，本身唔提供語音模型，靠社群節點接駁（根據 ComfyUI 官方生態文件，2026-10-31 觀察）。節點更新、版本相容、參數改動，全部係你自己跟。團隊冇技術人手嘅話，雲端 API 服務通常慳心得多。比較唔同方案，可以睇2026 廣東話 TTS 比較。

【獨家觀察】我哋睇 2026 年香港創作者圈，發現一個有趣現象：好多人初頭被「指令式」三個字吸引，以為打一句就得；玩咗一排之後，反而走返去寫結構化指令——語氣、節奏、情境分開寫，效果穩定過自由發揮。即係話，指令式 TTS 冇令「寫稿」呢門手藝貶值，只係將「校參數」變咗做「寫 brief」。識寫 brief 嘅人，先係最大贏家。

點樣開始：一個四步流程

1. 寫定文本：先將粵語稿寫好，口語字（嘅、咗、喺、嚟）照寫，唔好臨場改。
2. 寫指令：用上面「語氣＋節奏＋情境」三件套結構。
3. 小樣試聽：唔好一開波生成十分鐘旁白；先出幾句，聽下語氣啱唔啱。
4. 分批生成＋對稿：確認風格後先批量做，每一批都抽查多音字同數字讀法。

呢個流程同一般 AI 配音製作嘅最佳實踐一致，想睇完整版可以讀AI 配音製作指南。

至於工具選擇：如果你想快、想粵語開箱即用，可以直接試網上粵語 TTS 服務，例如我哋嘅港嘢 playground，登記送 2,000 字符（一次性），大約等於 8 分鐘音頻，足夠你試晒語氣指令嘅效果先決定。如果你想完全自己砌工作流，CosyVoice 類嘅開源方案係一條路，但預咗要花時間執。

常見問題 FAQ

問題：CosyVoice 官方支援粵語嗎？

根據 ComfyUI CosyVoice 節點嘅公開文件（2026-10-31 觀察），節點可以用指令叫模型「請用廣東話表達」，但呢個係指令層面嘅做法，唔等於官方列出粵語做正式支援語言。粵語輸出質素受 G2P 同多音字問題影響，建議先小樣測試先至投入生產。

問題：指令式同克隆式，我應該揀邊個？

睇你嘅目標。要「指定把聲」（例如品牌代言人聲線），行克隆；要「指定演法」（例如廣告嘅興奮感），行指令。記住兩者喺同一個生成動作入面互斥，要兩樣齊就要分步做。

問題：點解我嘅粵語指令出嚟似普通話腔？

呢個係粵語 TTS 嘅常見痛點，根源多數係語言資源同訓練覆蓋。粵語有大約 8,490 萬母語者，但高質素標註語料長期不足（WenetSpeech-Yue 論文， 2026）。指令寫得再好，模型底層對粵語聲調系統掌握唔夠，都會走樣。對比唔同服務先揀，可以睇2026 廣東話 TTS 比較。

問題：克隆人聲犯法嗎？

技術上做得到唔等於法律上做得。用他人聲線要有明確同意，聲音同肖像一樣涉及個人權利。香港私隱專員公署有 AI 個人資料保障模範框架可參考（PCPD, 2026）。商業用途強烈建議簽授權書。

問題：指令式 TTS 會唔會完全取代參數式？

短期內唔會。指令式勝在快同易用，但參數式勝在精準同可重現。專業製作通常兩者並用：指令式做初稿同探索方向，參數式（或者逐句執稿）做最後微調。

問題：初學者想試粵語指令式配音，第一步做咩？

先去港嘢 playground開個戶口，登記送 2,000 字符（一次性）。用「語氣＋節奏＋情境」三件套寫一條指令，貼一段幾十字嘅粵語稿，聽下效果。呢個循環唔使半個鐘，好過睇十篇教學。

想即刻試粵語指令式配音？

[!CTA]

去港嘢 Playground 打你第一條粵語指令

登記送 2,000 字符（一次性），足夠試完語氣、節奏、情境三件套先決定。

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）