Hedra 相片說話：粵語實戰教學（2026）

一句答你：Hedra 係一類「相片說話」工具——上載一張靜態相加一段聲軌，佢就生成個角色開口講嘢嘅片段；用嚟做粵語內容完全得，但成敗關鍵喺你隻相點揀、隻聲軌點整。

重點摘要 Key Takeaways

• Hedra 屬於 talking photo／character animation 工具類別：一張相＋一段音頻，出一段對嘴影片。
• 粵語聲軌自己整好先，先至有得揀音色同控制口吻；TTS 生成係最穩定做法。
• 相片質素決定一半成敗：正面、光線均勻、嘴部清楚，效果先自然。
• 五個常見失效位：側面相、遮嘴、聲軌爆音、多張臉、期望過高。
• 對嘴技術本身有學術基礎，但粵語多音字同聲調會令錯位更易睇得出。
• 商用前記得處理肖像授權同 AI 內容標示。

Hedra 係乜？一分鐘搞清楚類別定位

Hedra 係一個主打「character-1」式生成嘅工具類別代表：你俾一張人物相片，再俾一段音頻，佢就生成一段個角色開口講話、有表情同頭部動作嘅短片。呢類工具坊間統稱 talking photo 或者 photo-to-talk。

要分清楚三個容易混淆嘅概念：

• Talking photo 係 由靜態相片驅動、加聲軌後生成講話動畫嘅技術類別，重點係「一張相」就夠。
• Lip sync 係 對嘴技術，即係令嘴部動作同音素對齊嘅過程，係 talking photo 嘅核心運算之一。
• Digital human avatar 係 需要預先建立嘅數碼人形象，唔係一張相就搞掂，彈性同成本都唔同。

Hedra 呢類工具嘅優勢係門檻低：唔使建模、唔使綠幕、唔使拍片。劣勢係表現幅度有限——頭部動作同表情係「合理」多過「演技級」，長片會開始唔自然。所以佢最適合嘅場景係短旁白、課程開場、產品介紹、社交媒體短片，而唔係十五分鐘嘅深度教學。

粵語聲軌要點：先整聲，後整片

好多人一開始就諗相片，其實順序應該掉轉：聲軌先係成條片嘅骨幹。Hedra 呢類工具係「聲驅動畫」，聲軌有幾長，條片就有幾長；聲軌質素差，嘴型同節奏就會跟住差。

點樣整一段粵語聲軌

最穩定嘅做法係先用粵語 TTS 生成旁白，再上載去 Hedra。好處係：

1. 音色可揀：TTS 平台有唔同聲線，你可以揀啱品牌感覺嗰把聲。
2. 文案可改：生成前改稿零成本；拍真人或者自己錄音就要重嚟。
3. 長度可計：粵語旁白大約每分鐘 240 字符，你用字數就估到條片幾長，方便剪接規劃。例如你想做 30 秒開場片，寫 120 個字符左右就剛剛好。

如果你唔知點揀聲線，可以睇我哋嘅 粵語 TTS 聲線選擇指南；想一步一步由零開始，就由 粵語文字轉語音入門 睇起。

聲軌技術檢查清單

上載之前過一次呢個清單，可以避開大半問題：

• 冇爆音（letter 「B」「P」音最易爆，聽一次全段）
• 冇多餘靜音段（開頭結尾留 0.5 秒就得）
• 語速自然，唔好為咗慳時間推到極快
• 中英夾雜字讀得順，例如「check 吓個 schedule」呢類香港日常講法，TTS 出嚟要再聽一次有冇怪音
• 匯出用 WAV 或者高 bitrate MP3，避免壓縮雜音影響嘴型判斷

相片揀選：五個準則

一張相決定成條片嘅上限。以下五個準則照住揀，失敗率會低好多：

例如同一個人，你用佢證件相式正面照，同用佢喺婚宴側面回頭嘅相，出嚟效果可以差天共地。側面嗰張，牙齒同嘴型資訊根本唔夠，模型只可以「估」。

另外一個位：一張相一張臉。如果相入面有兩個人，工具多數會揀錯對象或者兩邊都怪。裁走其他人，或者換一張單人相。

表情同頭部動作：點解會動、幾時會假

Hedra 呢類工具嘅表情同頭部動作，係由聲軌嘅節奏、音量變化推動。聲軌有抑揚頓挫，個頭就會有輕微擺動；聲軌平鋪直敘，個頭就會近乎靜止，睇落似「蠟像館」。

所以想表情自然，祕訣唔係揀相，而係整一段有節奏嘅聲軌：

• 句子長短交錯，唔好每句都一樣長
• 關鍵字前面留半拍停頓
• 用標點控制停頓位置，呢方面可以參考我哋嘅 TTS 標點同停頓控制指南

【獨家觀察】根據我哋團隊過去一年協助客戶做粵語對嘴項目嘅經驗（觀察至 2026-10-31），粵語內容有一個普通話內容冇嘅額外難點：粵語口語字。「嘅、哋、咗、喺、嚟、唔」呢啲字如果用書面語 TTS 唸，成段聲會變成「半書面腔」，嘴型冇問題但聽感好突兀；所以文案要直接用口語寫，先至自然。呢一點我哋喺 書面語定口語粵語 TTS 選擇 有詳細分析。

五個常見失效位（同點避）

做得多，就會見到同樣五個位出事。逐個講：

失效位一：相片角度太側

側面、低頭、仰頭相，嘴型資訊唔足，生成出嚟嘴會「無端端開合」同聲音對唔齊。避法：揀正面相，兩隻眼同兩邊嘴角距離大致對稱。

失效位二：嘴部被遮

口罩、手托腮、杯遮半邊嘴——全部都係災難。模型冇嘴部參考，只能生成一堆模糊動作。避法：揀嘴部完全外露嘅相。

失效位三：聲軌質素差

爆音、背景噪音、忽大忽細嘅音量，會令模型判錯音素邊界，嘴型節奏亂晒。避法：上載前全程聽一次，有問題用降噪或者重新生成。

失效位四：多張臉或者複雜背景

上文講過，一相一臉係鐵律。避法：裁相，或者換相。

失效位五：期望過高、片長過長

呢類工具係「短內容」工具。一分鐘內通常仲自然；去到兩三分鐘，重複感同「AI 面」會開始明顯。避法：長內容拆段，或者改用另一類方案，例如預先建立嘅數碼人 avatar（可以睇 HeyGen 粵語數碼人指南 比較）。

粵語對嘴嘅技術背景：點解有時會「睇得出係 AI」

對嘴技術唔係魔法，背後有清楚嘅研究脈絡。Style-Preserving Lip Sync 呢類研究，重點就係令對嘴結果保留原有說話風格（Style-Preserving Lip Sync 論文, 2026）；另一批研究專注個人化對嘴生成，即係同一個角色要有自己嘅嘴部動作習慣（StyleLipSync, 2026）；仲有研究處理唔同來源嘅對嘴訓練資料標準化問題（Lip Sync 資料標準化研究, 2026）。

呢啲研究說明一件事：對嘴模型大部分用音素對齊驅動，而粵語係一個聲調語言，六個聲調（教學常講九聲六調）加多音字問題，令文字轉拼音同音素切分都更易出錯。聲軌某一個字讀錯咗調，嘴型未必錯，但你對嘴型同聽感一齊睇，就會覺得「有啲怪」。所以粵語聲軌生成時，多音字檢查係必要工序，可以參考 粵語多音字指南 同 粵語對嘴完整指南。

工作流整合：Hedra 放喺邊一步

一套典型嘅粵語 talking photo 內容流程係咁：

1. 寫稿：用香港口語寫，控制喺目標片長對應字符數。
2. 生成聲軌：用粵語 TTS 出 WAV／MP3，聽一次驗收。
3. 揀相：按上面五準則篩相，必要時裁走多餘人物。
4. 上載生成：相＋聲軌入工具，出片。
5. 驗收：全程聽＋睇，特別留意多音字位同中英夾雜位。
6. 後製：加字幕、封面、配樂；字幕流程可以睇 TTS 字幕 SRT 工作流。

如果你想要更多對嘴引擎選擇，可以比較 King AI 多個 Lip Sync 引擎，或者睇 Kling 粵語對嘴做法——呢啲平台同 Hedra 嘅分別主要在於生成長度、角色一致性同埋係咪需要預建 avatar。

合規提醒：肖像、同意同標示

用真人相做 talking photo，兩件事唔可以慳：

• 取得同意：相中人必須明確同意佢個樣被用嚟生成講話影片。用客戶相、KOL 相、同事相都一樣，要白紙黑字。
• AI 內容標示：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》強調透明同問責（香港數字政策辦公室 AI 指引, 2026）；私隱專員公署亦有 AI 個人資料保障模範框架（私隱專員公署 AI 框架, 2026）。對外發佈嘅 AI 生成影片，清楚標示係基本要求。

常見問題 FAQ

Hedra 支唔支援粵語聲軌？

呢類工具係「聲驅動」，本質上唔會拒絕粵語——佢跟聲軌出嘴型。但粵語聲軌質素你自己要控制好，建議用專門嘅粵語 TTS 先生成，再上載。根據公開規格（觀察 2026-10-31），工具官方語言支援列表同粵語實際效果要自行驗證，唔好盲信。

一張相最多可以做幾長條片？

技術上跟聲軌長度，但實際上愈長愈假。建議每條控喺一分鐘內，長內容拆段做，再剪埋一齊。

相片可以係卡通角色定一定係真人相？

兩類都得。卡通角色通常反而更寬容，因為觀眾對「AI 怪位」接受度較高；真人相要求就高好多，正面光線好係底線。

點解我出嚟嘅片個頭完全唔郁？

多數係聲軌太平。重新整一段有節奏、有停頓、有強弱變化嘅聲軌，頭部動作會自然增加。

用客戶或者名人個相有咩要留意？

一定要明確同意。未經同意用他人肖像生成講話影片，除咗法律風險，仲有深偽爭議。香港私隱公署嘅 AI 框架對呢類用途有清楚指引。

Hedra 同 HeyGen、Kling 對嘴有咩分別？

Hedra 係「一張相即刻變講話」，門檻最低；HeyGen 偏向預建數碼人 avatar，適合長期品牌角色；Kling 對嘴係影片生成流程嘅一部分，畫面創作空間較大。揀邊個睇你係要「快出片」定「長期角色」。

聲軌用自己把聲錄得唔得？

得，而且會更自然。你自己錄音就要注意錄音環境：安靜房間、唔好爆音、用電容麥克風更好。不過如果成個內容系列要量產，TTS 聲線會穩定好多。

[!CTA]

想整第一條粵語相片說話片？由聲軌開始

即去 港嘢 playground，用粵語 TTS 生成你嘅第一段旁白聲軌。

---

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）