ElevenLabs Dubbing 粵語實測：邊度得邊度唔得（2026）

一句答你： ElevenLabs Dubbing 做語言轉換型配音幾就手，但落到粵語呢一層，口音、聲調同書面口語轉換都係風險位；穩陣做法係佢做「翻譯＋快速出片」，粵語最終聲軌交返俾專用粵語 TTS 把關。

重點摘要 Key Takeaways

• Dubbing 工具嘅強項係「一條片換語言」嘅自動化流程：轉寫、翻譯、配音一條龍。
• 粵語風險位：口音偏向、聲調出錯、書面語直譯變「翻譯腔」。
• 五個 QC 位：轉寫、翻譯、多音字、口型同步、聲線授權。
• 分工建議：ElevenLabs 做 prototype 同多語言量產，粵語成品用專用粵語 TTS 重錄聲軌。
• 聲音克隆涉及版權同肖像權，必須有授權文件先好落水。
• 全文根據官方文件同公開論文（觀察日期 2026-10-31），唔作任何規格保證。

ElevenLabs Dubbing 係咩，做粵語時實際發生咩事

Dubbing（配音翻譯） 係指將一條原本用 A 語言錄好嘅片，自動轉寫成文字、翻譯成 B 語言，再用 AI 聲線重新配音嘅流程。ElevenLabs 嘅 Dubbing 功能就係將呢三步打包：你上載片，佢出翻譯版聲軌。

聽落好魔法，但落到粵語，流程入面每一個交界位都會甩漏。原因好簡單：粵語唔係淨係「另一種中文」，佢有自己嘅聲調系統、口語字同埋書面語／口語嘅巨大落差。呢啲特性令「翻譯正確」同「聽落自然」之間，差成條街。

粵語九聲六調 係粵語聲調嘅教學講法：九個歷史聲調，現代口語歸納成六個調值。聲調一錯，「買」變「賣」，意思即刻反轉。通用多語言模型處理粵語時，聲調準確度往往係第一個爆嘅位。多音字係另一個核心難點，研究粵語文字轉拼音嘅論文直接指出，多音字係粵語語音合成嘅核心難度來源（Cantonese G2P, 2026）。呢個問題喺配音場景會放大，因為翻譯出嚟嘅書面語，冇上下文提示邊個字讀邊個音。

例如一句「佢重未嚟」，如果 G2P 將「重」讀錯調，成句嘅意思就會歪。又例如中英夾雜嘅港式對白「等我 check 嚇先」，通用模型未必知道「check」要照英文讀，中間嗰吓 code-switching 好易變得不倫不類。

粵語口音風險：四個常見爆位

一、腔調偏向

通用多語言引擎嘅粵語，最常見嘅問題係似「普通話人講粵語」：聲母懶音化、韻母圓唇不足、入聲 -p/-t/-k 收尾唔夠短促。呢啲唔係大錯，但香港觀眾一耳就聽得出。懶音本身係香港口語現實，可以睇埋我哋另一篇粵語懶音分析。

二、書面語直譯

翻譯引擎出嘅粵語，多數係書面中文。直接讀出嚟，就好似新聞報員讀劇本對白，冇晒「嘅、咗、喺、嚟」呢啲口語字。書面語／口語轉換 係粵語內容製作嘅必經工序：將書面句轉做人講嘅廣東話。呢步唔做，配音再靚都係僵。詳細做法可以參考口語轉書面語工作流同書面語對口語 TTS 比較。

三、聲調同語氣粒子

粵語語氣字（喇、囉、啩、嘅）承載情緒。模型如果讀得太平或者調值錯，一句「係咁先喇」可以由親切變機械。想深究，可以睇粵語語氣字清單。

四、專有名詞同人名

品牌名、街名、人名嘅粵語讀法冇劃一標準，例如「中環」、「太子」呢類地名讀錯調，本地觀眾即刻出戲。處理原則可以參考粵語地名讀音。

五個 QC 位：配音出街前逐個 check

我哋建議喺粵語配音流程入面，設五個固定質檢位。呢個唔係針對某一個工具，而係任何 dubbing 流程都通用：

QC 1：轉寫層

原片嘅粵語轉寫準確度，決定成個流程嘅天花板。轉寫錯，之後全部錯。港式中英夾雜係轉寫重災區，處理方法可以睇粵語 ASR 準確度測試。

QC 2：翻譯口語化

譯文要過一次「書面轉口語」手，唔係淨係改字，係改節奏。粵語口語短句多、停頓密，配音稿要預返啲位。

QC 3：發音提示

多音字同聲調風險，最有效係用發音標注或者詞典層面處理，概念同粵語發音詞典指南一樣。

QC 4：口型同字幕同步

聲軌出咗之後，要對返片長同嘴型。嘴型主要跟音素而唔係聲調，理論基礎可以睇粵語對嘴指南同SRT 同步編輯。

QC 5：授權

聲音克隆（voice cloning） 係用少量參考音頻複製某個人把聲嘅技術。研究指出，聲音克隆只需要極少量樣本就可以做到好接近嘅音色，因此授權同偵測係業界焦點（Voice Cloning 綜述， 2026）。克隆他人聲線必須取得明確同意，呢個唔係建議，係法律風險位。克隆技術本身嘅表達力來源可以參考早期研究（Expressive Neural Voice Cloning, 2026），而聲音偽造嘅偵測技術亦有專門研究，例如以音色水印偵測克隆攻擊（Timbre Watermarking, 2026）。想知克隆流程點做，睇聲音克隆完整指南。

【獨家觀察】

我哋審視 2026 年香港創作者社群嘅公開討論同個案分享，發現一個好清晰嘅分工模式已經成形：多語言 dubbing 平台俾人用嚟做「第一版」——快速出一個粵語版俾客戶睇 feel、俾老闆批 budget；但真正出街嘅粵語聲軌，越嚟越多團隊係攞返個粵語化咗嘅劇本，落專用粵語 TTS 重新合成。原因好實際：通用平台嘅粵語口音問題係系統性嘅，逐句執唔抵；專用粵語引擎嘅聲調、口語字、多音字處理係由底層做起，返工成本平好多。換句話講，dubbing 平台嘅價值喺粵語市場唔係「出成品」，係「出譯稿同時間軸」。識用嘅人，會當佢係翻譯機＋排程機，而唔係錄音室。

同專用粵語 TTS 點分工

呢個係全文最實際嘅問題。我哋建議咁分：

揀粵語 TTS 引擎嘅方法，可以睇粵語 TTS 完整指南、2026 粵語 TTS 比較同AI 配音總指南。

用港嘢做粵語聲軌嘅實際流程

假設你已經用 dubbing 平台攞到粵語譯稿：

1. 將譯稿做口語化執稿，改成真人口語。
2. 用港嘢生成聲軌：三種模式——voice 係揀現成聲線 slug（例如 sum = 心妍）；design 係用性別加年齡組合設計聲線；clone 係上載參考音頻。
3. 單次文字提交上限 500 字符，超長稿要分段；批量模式一次最多 25 個 request，係 Pro／Studio 專屬。
4. 配 SRT 字幕可以用 srt=true 走 async 軌，方便對時。
5. 登記送 2,000 字符（一次性），夠試約 8 分鐘內容；之後按月配額計。

詳細 API 用法睇粵語 TTS API 指南。

合規位：香港創作者要知

香港數字政策辦公室嘅《香港生成式人工智能技術及應用指引》強調透明、問責同資料保障（數字政策辦公室， 2026）。私隱專員公署亦有《人工智能 (AI)：個人資料保障模範框架》（私隱專員公署， 2026）。實務上：AI 配音內容要有清楚標示；克隆人聲要有書面同意；音樂、字體、logo 授權照舊要清。

常見問題 FAQ

ElevenLabs Dubbing 支唔支援粵語？

ElevenLabs 官方將粵語列為支援語言之一，屬多語言 dubbing 範圍。但「支援」同「香港人聽落自然」係兩回事。根據公開規格（2026-10-31），佢嘅定位係通用多語言引擎，粵語口音同口語自然度要逐個案試先知，唔可以當保證。

點解我嘅粵語配音聽落有翻譯腔？

九成係因為譯文係書面中文直讀。解法係加一道口語化工序，將「他還沒有嚟」改成「佢仲未嚟」先讀出嚟。呢步係人手或者配規則做，通用 dubbing 流程未必會幫你做。

用 dubbing 平台出粵語稿，再落粵語 TTS 重錄，係咪好嘥時間？

啱啱相反。dubbing 平台幫你完成最貴嘅兩步——轉寫同翻譯時間軸；粵語 TTS 只係重新合成聲軌，成本低過由零開始翻譯。好多 2026 年嘅香港製作團隊已經行緊呢條 hybrid 線。

聲音克隆做配音有咩法律風險？

克隆他人聲線必須取得明確同意，研究顯示克隆所需樣本門檻好低，所以濫用風險同偵測技術並肩發展（Voice Cloning 綜述， 2026）。冇授權書就克隆，係版權同肖像層面嘅實質風險，唔好試。

粵語配音最應該 QC 邊個位？

如果只揀一個：多音字同聲調。因為佢直接改變意思，觀眾一聽就知錯，而且後期執成本高。其餘四個位（轉寫、口語化、口型、授權）按順序排。

港嘢可以幫我做埋翻譯嗎？

港嘢專注粵語語音合成：你畀粵語稿，佢出聲軌同 SRT。翻譯同口語化執稿係上游工序，建議用 dubbing 平台或者人手做咗先，再用港嘢合成。

免費額度有幾多？

登記送 2,000 字符（一次性），大約等於 8 分鐘語音，夠試一條短片嘅粵語聲軌。

資料來源同方法說明

本文根據 2026-10-31 為止嘅官方文件、公開論文同社群公開討論整理。所有對工具能力嘅描述只反映公開規格，唔構成品質保證；粵語口音評價屬觀察性質，實際效果以你嘅素材試作準。

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）

[!CTA]

想試粵語配音出街級聲軌？

去港嘢 playground 貼段稿，即場聽粵語合成效果。