海螺 AI 影片：粵語配音實戰全攻略（2026 教學）

一句答你：海螺 AI 負責出畫面，粵語聲同嘴型就要靠「出片 → 粵語 TTS → 對嘴」三步流水線；五個提示詞結構加五個限制位，就係成套玩法嘅骨架。

重點摘要 Key Takeaways

• 海螺 AI 屬文字生影片／圖生影片類工具；做粵語片，穩陣做法係畫面同聲音分開處理。
• 五個提示詞結構：一鏡一事、鏡頭語言、光線氛圍、圖生影片、分段分鏡。
• 五個限制位：口型、手部、畫面文字、連續性、片長，每個都有對應嘅後期解法。
• 用港嘢出粵語對白，換算約 240 字符一分鐘；30 秒片段對白大約 120 字符。
• 免費登記送 2,000 字符（一次性），大約 8 分鐘粵語旁白，夠做起步同試聲線。
• 商用前跟香港數字政策辦公室同私隱專員公署嘅 AI 指引，聲音同肖像要授權。

海螺 AI 係乜？先定位再落手

海螺 AI（Hailuo）係 MiniMax 旗下主打影片生成嘅工具，玩法屬「文字生影片」同「圖生影片」一類：你交一段描述，佢生成一段以秒計嘅短片段；亦可以用一張圖做起點，叫畫面「郁起嚟」。以官方介面現況為準（觀察日期 2026-10-31），佢係一個「出素材」嘅工具，唔係完整剪接室。

呢個定位好重要，因為影片模型對語音嘅原生支援參差。舉個對照：Google 嘅 Veo 官方文件寫明英文完全支援，其他語言「未評估，可能得但效果會變」（Google Gemini API Veo 官方文件, 2026）。所以做港式粵語內容，最穩陣路線係畫面、聲音分開處理。

提示詞 係你交畀模型嘅描述文字，模型跟住佢生成畫面。文本到影片嘅研究綜述都指出，主體描述同行動清晰度係出片品質嘅關鍵變數（arXiv: Text-to-Video 生成綜述, 2026；arXiv: 從 Sora 睇 Text-to-Video 綜述, 2026）。

點解粵語片要行「三步流水線」？

一體化聽落方便，但粵語創作者會撞到兩個問題：出片模型嘅原生語音對粵語支援唔穩定，可能有普通話腔甚至無聲；就算有聲，你冇辦法逐句控制語氣同停頓。所以香港團隊常用三步：

• 出片：海螺生成畫面素材，無聲亦無妨。
• 配音：用粵語 TTS 出聲軌。文字轉語音（TTS） 係將文字稿變成人聲音檔嘅技術；粵語 TTS 要處理六聲調、入聲韻尾，仲有「嘅、咗、喺」呢類口語字先自然。
• 對嘴：對嘴（lip sync） 係將音軌同畫面嘴型對齊嘅後期步驟。例如 Kling 嘅 Lip Sync 工具支援上載自己嘅聲軌，涵蓋真人、3D、2D 角色（Kling 官方 Lip Sync 說明, 2026）。

好處係每一環獨立：條片唔啱就重出片，把聲唔啱就重配音，唔使成條重嚟。

五個提示詞結構

下面五個結構由淺入深，你可以當佢哋係填空模板，逐格填就去海螺試。

結構一：一鏡一事（主體＋動作＋場景）

新手最常犯嘅錯，係一段提示詞塞三件事入去。AI 影片模型處理長動作序列嘅能力有限，研究一直提醒：單一場景、單一動作嘅成功率遠高於複雜情節（arXiv: Text-to-Video 生成綜述, 2026）。

例如：「一位着淺藍色襯衫嘅茶餐廳夥計，喺木卡座前面抹枱，背景係貼滿菜單嘅玻璃窗，日頭。」

結構二：鏡頭語言（景別＋運鏡）

加一句景別同運鏡，成條片嘅「電影感」會明顯唔同。常用組合：廣角定場、中景講嘢、特寫情緒；運鏡喺推進、拉遠、橫搖入面揀一種，唔好一次過要三種。

例如：「特寫鏡頭，慢推進：一隻手將凍檸茶推過木枱，杯身有水珠。」

結構三：光線同氛圍（時間＋色調＋天氣）

同一個人物同一個動作，改時間同色調，情緒即刻變：黃昏配橙金色側光，深夜配藍色霓虹加雨後濕地。呢啲詞唔影響物理動作，但好影響成片觀感，同埋要同你條粵語旁白嘅情緒對齊。

結構四：圖生影片（一張首幀定裝照）

首幀 係片段嘅第一格畫面。用一張清晰定裝照做起點，提示詞只寫「要郁嘅部分」，角色一致性好過純文字。T2V-CompBench 呢類構圖評測基準亦顯示，主體屬性同綁定正正係構圖難點（arXiv: T2V-CompBench 構圖評測基準, 2026）。

例如：上載一張茶餐廳老闆嘅半身照，提示詞寫「老闆抬頭向鏡頭笑，手部輕微動作，背景微動」。招牌、餐具、牆上字樣，全部由首幀圖鎖死。

結構五：分段分鏡（先寫分鏡表，再逐段生成）

30 秒以上嘅內容，唔好指望一次過出。先寫分鏡表：每行一個鏡頭、景別、動作、時值；跟住逐段去生成，後期喺剪接軟件拼接。粵語對白亦按鏡頭切句，逐句配音先對得上嘴。

五個限制位同應對法

影片生成工具有五個出名嘅限制位，做粵語內容前要有心理準備，仲要預好後期方案。

限制一：口型同粵語音素

出片模型自己生成「講嘢」嘅畫面時，嘴型唔一定跟得住粵語音素。音素 係語音嘅最小單位；嘴型主要跟音素，唔係跟聲調。解法：出片時叫角色嘴部動作自然、唔使開口講嘢，之後先用對嘴工具將粵語聲軌貼上去。HeyGen 嘅粵語方案做到 phoneme 級嘴型，官方列明支援香港口音（HeyGen 粵語官方頁, 2026）。

限制二：手部動作

手係重災區：執筆、斟茶、比手勢呢類微動作，好多時要多出幾個版本先揀到可用嘅一個。應對法：手部動作寫得越大越安全，「手部自然擺放」會好過「用筷子夾起魚蛋」；或者索性用特寫避開全身。

限制三：畫面入面嘅文字

叫模型生成「一個寫住字嘅招牌」，好大機會出錯字或者亂碼，中文字尤其明顯。應對法：畫面文字全部後期加——招牌留白，菜名、價錢牌、字幕，喺剪接軟件逐個排上去。

限制四：跨片段連續性

兩段分開生成嘅片段，角色件衫、髮型、場景陳設好容易走樣。應對法：用同一張首幀圖、同一組定裝提示詞模板，再將每段場景嘅複雜度壓低（少物件、簡單背景）。呢個亦係構圖一致性被列做評測維度嘅原因（arXiv: T2V-CompBench 構圖評測基準, 2026）。

限制五：片長

市面影片模型單次出片普遍係秒級，長片要分段再拼接。對照官方規格（觀察日期 2026-10-31）：Kling 4.0 單段 3–30 秒（Kling 4.0 官方使用指南, 2026）；Veo 3.1 單段 4／6／8 秒，靠延長先去到約 148 秒；Seedance 2.5 單段 30 秒、可多輪延長。海螺亦係同一數量級思路，以官方介面現況為準。所以長片一律「分段生成＋後期剪」。

粵語配音四步實操

第一步：寫口語稿

書面語讀出嚟會硬。例如「如欲光臨，敬請提早預約」要改成「想嚟嘅話，記得早啲約」。粵語仲有懶音同變調呢類坑，稿貼口語，把聲先唔會生硬。

第二步：生成粵語聲軌

以港嘢為例：免費開戶禮 2,000 字符（一次性），換算約 240 字符一分鐘，即係大約 8 分鐘旁白。30 秒片段嘅對白，控制喺 120 字符左右就啱啱好。300 字符以內嘅短對白可以用捷徑一次過出，長稿就走異步任務再拎音檔。生成模式有三種：揀現成聲線（例如 sum 對應「心妍」呢類香港聲）、靠性別加年齡設定，或者用參考音頻克隆。

第三步：對嘴

將粵語聲軌放上對嘴工具。兩個位要留意：角色正面、嘴部畫得清楚先對得準；聲軌長過影片就要先剪，唔係後段全部對唔上。

第四步：字幕同混音

粵語對白配埋字幕，靜音刷片嘅觀眾都睇得明。字幕稿同口語稿可以分開兩版；混音時背景音樂音量要壓低，唔好蓋過對白。

三條製作路線比較

路線 C 對粵語要先行驗證語言支援，例如 Veo 官方就列明英文以外語言未評估；以 2026-10-31 嘅官方資訊為準。

【獨家觀察】：先鎖聲、後出片

【獨家觀察】做粵語 AI 片嘅團隊，最大嘅時間黑洞通常唔係出片，而係重做：對白配完先發現口型接唔上，或者角色兩段戲兩塊面。我哋建議倒轉工序——先鎖對白稿同聲軌，先寫分鏡去出片，用聲軌長度反推每個鏡頭嘅時值。聲帶動畫面，唔係畫面帶聲，重做次數會少好多；呢個亦係我哋見過港式短片團隊最省時間嘅一套節奏。

合規：商用前四件事

• 生成內容要清楚標示係 AI 製作，香港數字政策辦公室嘅生成式 AI 指引強調透明同問責（香港數字政策辦公室《生成式 AI 指引》, 2026）。
• 涉及個人資料、真人聲音或肖像，參考私隱專員公署嘅 AI 個人資料保障框架（私隱專員公署 AI 模範框架, 2026）。
• 複製他人聲音必須先取得明確同意；音樂、字體、Logo 都要清授權。
• 留意平台水印標記，例如部分平台嘅生成圖片會帶 C2PA Content Credentials 同 SynthID 水印。

延伸閱讀

• 想比較其他影片模型嘅粵語玩法：睇 Seedance 粵語配音實戰同 Veo 3 粵語配音指南。
• 對嘴想深入研究：睇 Kling AI 粵語對嘴教學同整體嘅 粵語對嘴指南。
• 由出稿到上字幕嘅完整流程：睇 AI 影片粵語配音工作流，字幕嗰步可以跟 TTS 字幕 SRT 流程。

常見問題 FAQ

海螺 AI 可以直接出粵語配音嗎？

以官方介面現況為準（觀察日期 2026-10-31），穩陣做法係將佢當純畫面工具：出片之後用獨立粵語 TTS 配音，再用對嘴工具將嘴型對齊，即係文中嘅三步流水線。

一條 30 秒片段要用幾多粵語文字？

以港嘢約 240 字符一分鐘換算，30 秒對白大約 120 字符，即係兩三句短對白。寫稿時用呢個數倒推，配音節奏會啱嘴好多。

免費額度夠唔夠做起步？

港嘢免費方案開戶送 2,000 字符（一次性），換算大約 8 分鐘粵語旁白，夠做四十條左右嘅 30 秒短片，用嚟試聲線同試提示詞結構綽綽有餘。

提示詞用中文定英文好？

用你寫得最精準嘅語言。香港場景嘅詞彙——卡座、凍檸茶、鐵閘——用中文描述往往更貼，模型亦更容易對到位。

對嘴工具點揀？

睇你係咪已經有聲檔：自己配好粵語聲，就揀支援上載聲軌嘅對嘴工具，例如 Kling Lip Sync；想要平台一條龍，就揀 phoneme 級嘴型嘅方案，對嘴位會細啲。

點解角色兩段戲兩塊面？

跨片段一致性係影片模型通病。用同一張首幀圖、同一組定裝提示詞模板，再壓低每段場景複雜度，已經係現階段最可行嘅做法。

商用有咩要注意？

標示 AI 製作、聲音肖像要授權、素材版權要清，跟香港數字政策辦公室同私隱專員公署嘅指引逐步核對，公開發布前再核一次。

[!CTA]

想即刻聽吓港式粵語聲軌？

貼上你嘅對白稿，揀把香港聲線試生成，去 港嘢 playground。

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）。