AI Lip Sync 廣東話指南：嘴型、聲軌同工具點揀（2026）

一句答你：Lip sync 係將一條聲軌對返畫面人物嘴型嘅技術。工具只負責「對嘴」，把聲係你餵俾佢嘅。所以廣東話成品好唔好，八成喺聲軌，兩成喺對嘴。

Key Takeaways

• Lip sync 係把聲畫同步嘅後製技術，唔係語音生成；聲軌要自己準備。
• 廣東話嘅難位唔喺聲調，而喺入聲收尾、圓唇音同中英夾雜嘅嘴型切換。
• 對嘴有三條路線：相片變說話、舊片換聲、實時虛擬人；用途唔同，工具亦唔同。
• 2026 年市面工具多數逐秒聲頻收費，片長同人臉角度係最常見嘅隱形限制。
• 最穩陣嘅工作流係：先定稿，再出粵語聲軌，最後才對嘴；倒轉做會白花時間。

Lip sync 係咩？同 AI 配音有咩分別

Lip sync 係指將一段聲音，對準畫面入面人物嘅嘴唇動作，令觀眾覺得「係佢講」。英文又叫 lip-sync、lipsync 或者對嘴。

AI 配音 係另一件事：將文字變成語音。你可以只有一個 WAV 檔，完全冇畫面。

學術界會叫呢類工作做「audio-conditioned lip generation」。開源專案 LatentSync 嘅論文，就係用聲頻條件去生成嘴型（LatentSync, arXiv, 2024）。

兩者經常一齊用，但責任分明：

分清楚呢點好重要。好多人以為「個工具識出廣東話」，其實工具只係跟住你條聲軌動嘴。你把聲讀錯字，對嘴再準都救唔返。

想先搞清楚配音嗰層，可以睇《AI 配音入門指南》；本文集中講畫面嗰層。

廣東話對嘴，難位唔喺聲調

呢個係最常被誤解嘅一點：聲調唔影響嘴型。聲調係音高變化，嘴唇形狀主要跟音素走。所以「詩」同「試」嘴型可以一樣。

真正難嘅係以下四樣。

一、入聲字收尾

粵語有 -p、-t、-k 三種入聲收尾。例子：「十」收 -p、「八」收 -t、「六」收 -k。

呢啲字讀到尾要突然閉嘴或者塞住氣流。對嘴模型如果只學過英文同普通話，好易漏咗最後一下閉嘴。畫面就會出現「口型未收，聲已完」嘅違和感。

二、圓唇音

粵語嘅 yu、oe、eoi 等韻母，嘴唇要明顯收圓。模型若果把嘴形拉平，觀眾會覺得把聲「唔係喺佢口入面出」。

三、語速同節奏

廣東話同一句話嘅音節密度高。60 秒畫面可以塞好多字。對嘴模型要跟得好密，嘴部動作就容易變得機械。

四、中英夾雜

「今晚 deadline，聽日 follow up」呢類句子，口腔要喺粵語同英文音素之間切換。切換位一多，嘴型就易跳。

【獨家觀察】2026 年 10 月，我哋逐間對嘴工具嘅官方文件核對，發現大部分模型只列出「支援任何語言聲軌」。呢句技術上冇錯，但冇保證粵語音素嘅嘴型準確度。揀工具時，唔好將「支援」當成「準確」。

三種對嘴路線，用途完全唔同

路線一：相片變說話（Talking photo／Talking avatar）

你俾一張正面相，再俾一條聲軌，模型會令相中人開口、眨眼、輕微擺頭。

適合：產品介紹、虛擬主播、教育短片、唔想出鏡嘅創作者。

限制：相片質素決定一切。側面、遮嘴、低光、多人入鏡，出嚟多數唔自然。

路線二：舊片換聲（Re-dub）

你已經有一條片，想換走原本把聲，或者改成廣東話。模型會保留畫面動作，只重畫嘴部。

適合：把普通話或英文片本地化、修正讀錯、換品牌代言聲線。

限制：原片嘅嘴部被遮住、角度太側、或者畫面太暗，都會令重繪失敗。

路線三：實時虛擬人

用喺直播、客服、互動問答。聲軌同嘴型要即時同步，延遲要求最高。

適合：AI 客服、虛擬主持、互動教學。

限制：多數方案要成套系統，唔係單次生成。想了解呢條路線，可以睇《數字人語音整合指南》。

五個決定成品好壞嘅位

一、聲軌乾淨程度

對嘴模型會將聲軌入面所有人聲都當成「要對嘴嘅內容」。背景音樂、回音、鍵盤聲，全部會干擾。

最穩陣：人聲單軌、無背景音樂、無明顯環境噪音。如果有音樂，先分離人聲。

二、人臉角度同遮擋

正面、光線平均、嘴巴清晰，係最理想。眼鏡反光、手遮嘴、頭髮遮面，都會令模型估錯。

三、片長限制

對嘴唔係無限長。以 King AI 官網 2026-10-31 嘅說明為例，Lip Sync 引擎最多接受 90 秒聲頻；Talking Avatar 多數引擎上限 60 秒，其中一個引擎只有 14 秒（King AI, 2026）。

呢類限制會直接影響你點切片。同一個訪問，可能要分三段做。

四、幀率同剪接

對嘴完成之後，嘴型係綁死喺嗰條片。你之後再剪短、變速、加轉場，嘴型就可能對唔上。

所以次序一定係：剪好片 → 定稿 → 出聲 → 對嘴。唔好調轉。

五、字幕同節奏

字幕唔會影響嘴型，但會影響觀眾覺得「夾唔夾」。字幕早半秒或遲半秒，觀眾就會覺得把聲飄。

想字幕同聲軌準確對軸，可以睇《SRT 字幕同步指南》。

工具地圖：2026 年 10 月觀察

以下只列官方頁面講得到嘅能力，唔代表我哋逐個測試過。

呢個分工係關鍵：畫面工具同語音工具係兩層。你可以用 A 平台出粵語聲，再用 B 平台對嘴。冇話一定要同一間。

想睇聚合平台點揀引擎，可以睇《King AI 對嘴教學》。

由稿到出片：七步工作流

1. 定稿。 一句一句寫好，讀一次，刪走書面語。
2. 標讀音。 多音字、公司名、英文縮寫，逐個標。
3. 出聲軌。 用粵語 TTS 生成，或者真人錄。揀邊條路，睇《粵語配音完整指南》。
4. 試聽。 最少聽兩次：一次跟稿，一次閉眼聽自然度。
5. 剪片。 畫面剪好先，唔好邊剪邊對嘴。
6. 對嘴。 匯入聲軌，先做 10 秒測試，確認嘴型方向同速度。
7. QC。 檢查開頭、結尾、快語句、中英夾雜位。

呢個次序唔可以亂。尤其第 5 步同第 6 步：先剪後對，係鐵律。

價錢點計？多數係逐秒聲頻

2026 年嘅對嘴工具，收費模式主要有三種：

• 逐秒聲頻：你條聲有幾長就收幾多。60 秒片、實際講 45 秒，就按 45 秒計。
• 逐條片：每次生成一個固定價，唔理長短。
• 訂閱制：月費包一定額度，超出再買。

逐秒模式對短片有利，對長片唔着數。以 King AI 為例，官網標示對嘴引擎由 0.3 至 1.333 credits／秒聲頻，另有每次最低消費（King AI, 2026）。實際價錢會隨套餐同匯率變，生成前佢會顯示報價。

【獨家觀察】如果你每個月要做幾十條片，逐秒收費嘅成本會快速累積。呢個時候，與其比較「邊個引擎平」，不如先比較「邊個流程少重做」。重做一次嘅時間同 credits，通常貴過單價差異。

五個最常見中伏位

一、用有背景音樂嘅聲軌

模型會連音樂都當人聲。出嚟嘅嘴型會亂跳。先分離人聲。

二、把聲太長

超過平台上限，你要麼分段，要麼濃縮。分段就要處理接位，濃縮就要改稿。兩樣都要時間。

三、中英夾雜讀錯

英文品牌名、產品型號、縮寫，最易讀錯。出聲之後逐個核，唔好靠估。

四、對嘴之後才改稿

改一句，成條聲要重出，嘴要重對。成本翻倍。定稿才開機。

五、以為模型會自動講廣東話

對嘴模型唔會生成語音。佢只會跟聲。你要麼自己錄，要麼用 TTS。呢個誤解最常見，亦最浪費時間。

資料來源同方法說明

本文由港嘢內容團隊撰寫，經編輯覆核。產品能力、片長上限同收費模式，均對照各平台官方頁面（查閱日期 2026-10-31），未經獨立實測；平台功能同價格可能隨地區、帳戶同時間改動，落單前請以官方報價為準。

主要來源：

• Seedance 2.5 官方介紹：音視頻聯合生成同參考輸入規格。
• King AI Lip Sync 頁面：引擎數目、片長上限同逐秒收費說明。
• HeyGen 官方網站：數字人同對嘴產品線。
• Sync.so 官方網站：對嘴 API 能力。
• LatentSync 開源專案：開源對嘴模型同部署要求。

常見問題 FAQ

Lip sync 係咪一定要用 AI？

唔一定。傳統做法係逐格手動調整，或者用 After Effects 外掛。AI 嘅好處係快同平，但精細表演仍然有人手調整嘅空間。

廣東話對嘴，用邊個工具最好？

冇單一答案。要看你係「相片變說話」定「舊片換聲」。前者睇數字人引擎，後者睇 lip sync 引擎。最實際嘅做法，係用同一條 10 秒粵語聲軌，喺兩三個平台試，比較嘴型同收費。

對嘴會唔會改變原本把聲？

唔會。對嘴只改畫面嘴型，聲軌係你輸入嗰條。除非平台另外提供變聲功能。

一條 60 秒片，對嘴要幾耐？

生成時間視乎平台同片長，由幾分鐘到幾十分鐘都有。本文唔會俾一個固定數字，因為同一平台唔同時段都可以差好遠。預留緩衝時間最實際。

可以用自己把聲嗎？

可以。你可以自己錄，或者用聲音複製。但複製他人聲音要取得明確同意；相關法律位可以睇《AI 聲音版權指南》。

對嘴片可以商用嗎？

要睇平台條款同你所用素材嘅授權。人物肖像、聲線、背景音樂，三樣都要清。工具嘅商用授權，唔等於你素材嘅授權。

想試廣東話聲軌？

對嘴工具最缺嘅，唔係鏡頭，係一把真係似香港人講嘢嘅聲。你可以先去 港嘢 playground 貼一段稿，聽吓成品，再決定用邊個對嘴平台。

想由頭認識粵語配音，可以睇《廣東話 TTS 完全指南》；想睇 AI 影片點樣生成廣東話對白，就睇《Seedance 廣東話配音指南》。

想睇成個 AIGC 粵語聲軌嘅工具地圖，可以睇《AI 影片廣東話配音指南》。

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。