目錄（24 節）
- D-ID 數字人係咩：先講清楚個概念
- 完整工作流：由一張相到一段粵語數字人片
- 第一步：準備相片
- 第二步：先生成一條高質粵語聲軌
- 第三步：上 D-ID 生成
- 第四步：後期檢查
- D-ID 粵語應用嘅五個限制
- 限制一：粵語唔係重點支援語言
- 限制二：嘴型品質受音頻質素好大影響
- 限制三：輸入素材限制
- 限制四：輸出彈性
- 限制五：授權同合規
- D-ID 同 HeyGen 點分工
- 成本同埋試用策略
- 常見問題 FAQ
- D-ID 可以直接生成粵語語音嗎？
- 用 D-ID 數字人講粵語，嘴型會唔會因為聲調而唔對？
- 一張側面相可以嗎？
- D-ID 同 HeyGen，粵語項目應該揀邊個？
- 用同事個樣做數字人，有咩法律風險？
- 點解我條片個嘴好似同聲唔多夾？
- 免費額度夠做一條完整測試片嗎？
- 資料來源同方法說明
- 想試整你第一個粵語數字人？
D-ID 數字人粵語版實戰指南（2026）
一步步教你用 D-ID 製作識講粵語嘅數字人影片，由人像上傳到口型同步、聲音設定，實戰流程全公開。
一句答你： D-ID 可以用一張相加一條粵語聲軌，整出識講嘢嘅數字人；但粵語唔係佢重點宣傳嘅語言，成品係咪自然，好大程度取決於你條聲軌質素同後期對嘴工序。
重點摘要 Key Takeaways
- D-ID 屬「相片／影片轉數字人」類工具：輸入一張人像相同一條音頻，輸出一段識郁嘴嘅片。
- 粵語唔係 D-ID 官方重點列出嘅語言；最穩陣做法係自己先生成一條高質粵語聲軌，再交俾佢做對嘴。
- 五個常見限制：粵語聲軌質素、嘴型同聲調唔完全對應、側面相效果差、片長同輸出彈性、授權同肖像合規。
- 同 HeyGen 分工：HeyGen 官方列明支援香港粵語口音同 175+ 語言／方言，D-ID 就以「一張相快速起動」見稱。
- 香港合規：複製人聲要明確同意，肖像使用要授權，生成內容要有清楚標示。
D-ID 數字人係咩：先講清楚個概念
數字人（digital human / talking avatar） 係指用一張人像相、一段影片或者一個 3D 模型做底，配合一條音頻，令個角色好似識講嘢咁郁嘴、眨眼、做表情嘅合成影片。D-ID 就係呢個類別入面最早出名嘅工具之一：入面擺一張相，上載一條聲，佢就幫你生成一段「相中人開口講嘢」嘅片（根據 D-ID 官方文件，2026-10-31 觀察）。
對嘴（lip sync） 係指令角色嘅嘴型同音頻內容對得上嘅工序。粵語對嘴有個特點：粵語有 6 個聲調，聲調影響音高，但嘴型主要跟音素走，唔直接由聲調決定。所以理論上，只要音頻係標準粵語，對嘴引擎照住音素去郁個嘴，出嚟效果就已經好順。呢個原理可以參考 Lip Sync 資料標準化研究（StyleCLIPDraw 標準化 lip sync 資料研究， 2022），佢講明 lip sync 模型訓練時，音頻同嘴型標註嘅對齊質素直接影響生成效果。
viseme（視位） 係指講某個音素時嘴型嘅視覺形態。例如講「媽」同「馬」，聲調唔同，但開頭個「m」音嘅 viseme 一樣，嘴都係合埋；去到韻母先開始有分別。理解呢點，你先明白點解粵語片對嘴唔使理聲調，但就要理音素準唔準。
完整工作流：由一張相到一段粵語數字人片
第一步：準備相片
人像相嘅質素決定咗成條片嘅下限。一般建議：
- 正面、光線均勻、嘴部冇遮擋
- 解像度夠高，面部佔畫面比例合理
- 背景唔好太複雜，方便模型聚焦面部
呢啲要求唔係 D-ID 獨有。Kling 官方 lip sync 工具同樣要求「角色要正面、嘴部清楚」（根據 Kling 官方文件，2026-10-31），可見正面相係成個行業嘅共識。如果你想深入了解對嘴嘅通用要求，可以睇埋粵語對嘴完整指南。
第二步：先生成一條高質粵語聲軌
呢步係成個流程最重要嘅一環。D-ID 本身有內置嘅語音功能，但粵語支援係咪足夠，官方冇重點列明。所以最穩陣嘅做法係：用一個粵語係主打嘅生成工具出聲，先至交俾 D-ID 做對嘴。
例如你做一條香港茶餐廳宣傳片：先喺粵語語音平台度生成一段「各位街坊，今日午市有焗豬扒飯優惠」嘅旁白，檢查清楚啲口語字（嘅、咗、喺）讀音無問題，先至拎去 D-ID。記住一個換算概念：約 240 字符等於一分鐘語音，寫稿時可以照呢個比例估算長度。
寫粵語稿亦有技巧。粵語係口語書面語混合嘅語言，書面語直接讀出嚟會好生硬。呢個課題可以參考書面語定口語粵語 TTS 對比同粵語語氣詞 TTS 處理。
第三步：上 D-ID 生成
將相同聲軌上載，揀好輸出設定，等佢生成。呢步技術上好簡單，但你要預咗來回試幾次：聲軌語速、相片角度、甚至係妝容濃淡，都會影響最終自然度。
第四步：後期檢查
生成完唔好即刻出街。重點檢查：
- 嘴型同音有冇明顯甩位
- 面部細節（牙、舌）有冇崩壞
- 語速同畫面節奏夾唔夾
如果有甩位，可以回頭調整聲軌——例如喺標點位加短停頓。標點對停頓嘅影響可以睇標點同 TTS 停頓控制。
D-ID 粵語應用嘅五個限制
限制一：粵語唔係重點支援語言
D-ID 官方冇好似 HeyGen 咁，專登開一頁講粵語支援（根據 D-ID 官方文件，2026-10-31 觀察）。呢個唔代表完全用唔到——對嘴引擎理論上係跟音素走，只要你條聲軌係粵語，佢照樣會對嘴。但官方冇承諾嘅嘢，你就要當佢係風險：出貨前一定要做盲測。盲測方法可以參考粵語 TTS 盲測方法。
限制二：嘴型品質受音頻質素好大影響
個人化對嘴生成嘅研究指出，模型對特定講者嘅嘴型習慣，要好大量訓練先可以還原得好（StyleLipSync 個人化對嘴生成論文， 2023）。即係話：一張靜態相能夠推斷出嚟嘅嘴型資訊有限，相中人平時講嘢係點，模型其實唔知。所以有時你會見到嘴型「大方向啱、細節怪怪哋」，呢個係技術本質，唔係你用得唔啱。
另外，跨風格對嘴研究都指出，要保持講者原有風格同嘴型一致性，係 lip sync 未完全解決嘅難題（Style-Preserving Lip Sync 論文， 2024）。
限制三：輸入素材限制
正面相係基本要求。側面相、戴罩、頭髮遮嘴，都會令效果大跌。而且一張相嘅表情係死嘅，生成出嚟嘅片表情變化有限，長片會顯得呆。
限制四：輸出彈性
D-ID 主打嘅係「快速由相變片」，唔係完整影片製作平台。如果你要 4K 輸出、複雜鏡頭運動、多角色場景，呢類工具唔係最好選擇。呢啲需求可以睇4K 影片輸出粵語工作流。
限制五：授權同合規
呢個限制最容易被忽略。香港私隱專員公署嘅《人工智能 (AI)：個人資料保障模範框架》清楚講明處理個人資料嘅要求（PCPD AI 模範框架， 2026）。實務上：
- 用人哋個樣做數字人，要有明確授權
- 複製人哋把聲，要有明確同意
- 生成內容出街要有清楚標示係 AI 生成
D-ID 同 HeyGen 點分工
兩個工具都做「數字人講嘢」，但定位唔同。用一個表總結：
| 對比項目 | D-ID | HeyGen |
|---|---|---|
| 核心定位 | 一張相快速變識講嘢嘅片 | 完整 AI 影片製作平台 |
| 粵語支援 | 官方冇重點列明（2026-10-31 觀察） | 官方列明支援香港、澳門、廣東口音 |
| 聲線選擇 | 有內置語音功能 | 官方列 300+ 把聲、175+ 語言／方言 |
| 最長連續影片 | — | 官方列明單次最多 30 分鐘 |
| 定價參考 | 官方定價頁 | Free 3 條片／月；Creator US$29／月（年繳 US$24） |
（HeyGen 資料根據 HeyGen 官方定價同粵語頁，2026-10-31 觀察：HeyGen 官方頁）
實務分工建議：
- 要快、要平、一張相搞掂：D-ID 類工具。例如內部培訓片、簡短公告。
- 要正式品牌片、多語言輸出：HeyGen。佢嘅 phoneme-level 嘴型同官方粵語支援，令佢喺品牌場景更穩陣。詳細可以睇HeyGen 粵語數字人指南。
- 要慳 credits 同揀引擎：聚合平台例如 King AI，一次過有幾個 lip sync 引擎揀，詳情睇King AI 粵語對嘴。
- 要片內角色對嘴、連埋場景生成：Kling 嘅 lip sync 支援真人、3D、2D 角色，睇Kling 粵語對嘴教學。
【獨家觀察】2026 年粵語數字人製作嘅最大誤區，係「工具決定論」——以為揀啱工具就搞掂。我哋觀察到，決定成品好唔好嘅，往往係條粵語聲軌多過對嘴引擎。一條讀音準、節奏自然、語氣詞到位嘅聲軌，配一個普通引擎，效果會好過一條機械人聲配頂級引擎。原因好簡單：對嘴引擎只係照住音頻郁嘴，音頻本身先係內容；聲調自然、懶音控制得好，成條片即刻升級。所以預算有限嘅團隊，應該先投資喺粵語語音品質（例如先做好粵語懶音處理），先至諗對嘴引擎升級。
成本同埋試用策略
講到錢，港嘢嘅粵語語音服務係「登記送 2,000 字符（一次性）」，即係大約 8 分鐘語音——足夠你出一條完整粵語聲軌，拎去 D-ID 試成條 workflow 先。付費方案月配額由輕量 60,000 到工作室 1,400,000 字符不等，詳情可以睇粵語 TTS 收費分析。
建議試用流程：
- 寫一段 200 字左右嘅粵語稿（包含口語字同語氣詞，測試讀音）
- 用免費額度生成聲軌
- 揀一張正面人像相
- 上 D-ID 出第一條測試片
- 檢查嘴型同讀音，調整後再出正式版
呢個流程涉及「測試方法」，所以可以話係一個真正嘅實試步驟，唔係淨係紙上談兵。
常見問題 FAQ
D-ID 可以直接生成粵語語音嗎？
D-ID 有內置語音功能，但粵語唔係官方重點列明嘅語言（2026-10-31 觀察）。穩陣做法係另外用粵語主打嘅工具先生成聲軌，先至上載做對嘴。
用 D-ID 數字人講粵語，嘴型會唔會因為聲調而唔對？
唔會。聲調影響音高，嘴型主要跟音素（viseme）。所以粵語六聲唔會直接令嘴型錯，反而係音素讀得準唔準至影響對嘴效果。
一張側面相可以嗎？
唔建議。對嘴工具普遍要求正面、嘴部清楚嘅相，Kling 官方文件亦明確寫明呢個要求。側面相會令嘴型推斷大幅失準。
D-ID 同 HeyGen，粵語項目應該揀邊個？
如果你目標係香港市場品牌片，HeyGen 官方列明支援香港口音同 phoneme-level 嘴型，較穩陣。如果係內部快測、一張相搞掂，D-ID 類工具更快捷。兩者可以並用：粵語聲軌統一由語音平台出，再按場景揀對嘴工具。
用同事個樣做數字人，有咩法律風險？
肖像使用要授權，聲音複製要明確同意，呢個係香港私隱框架嘅基本要求。生成內容出街亦應該清楚標示係 AI 生成。做之前最好有書面同意紀錄。
點解我條片個嘴好似同聲唔多夾？
常見原因有三：一、聲軌語速太密，引擎追唔切；二、相片唔夠正面或者解像度低；三、聲軌有背景噪音，影響音素偵測。逐樣排查，通常係第一同第二個原因。
免費額度夠做一條完整測試片嗎？
夠。登記送 2,000 字符（一次性），約等於 8 分鐘語音，做一至兩條短測試片綽綽有餘。
資料來源同方法說明
本文規格資料嚟自各工具官方文件（觀察日期 2026-10-31），語言學理論嚟自 arXiv 論文，合規要求嚟自香港政府官方文件。D-ID 部分因官方冇重點列明粵語支援，所以只作通用層描述，唔作具體規格承諾。所有建議基於公開文件同行業通用做法，唔構成效果保證。
[!CTA]
想試整你第一個粵語數字人？
即刻去港嘢 playground，用登記送嘅 2,000 字符出條粵語聲軌，再拎去對嘴，成條 workflow 今日搞掂。
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）