LLM 粵語語音輸出指南：令 AI 對答開得聲講廣東話

一句答你： 想令大型語言模型嘅回應用廣東話講出嚟，做法係喺 LLM 同用戶之間加一層粵語文字轉語音：LLM 出字、清洗貼稿、拆段提交、攞返音頻播放。單次生成上限 500 字符，配合異步輪詢同在途任務管理，一條穩定嘅粵語語音輸出鏈就咁樣砌得成。

Key Takeaways

• 標準鏈路：LLM 生成文字 → 符號清洗 → 拆段 → 粵語 TTS 生成 → 播放，每個環節都有嘢可以執。
• LLM 輸出要先清洗：markdown 標記、表情符號、連結字串全部唔應該入語音引擎。
• 粵語 TTS 單次任務上限 500 字符，LLM 長回應必須按句子邊界拆段、按序播放。
• 生成行異步模式：提交任務、輪詢狀態、完成先有音頻；在途任務上限免費 3 個、入門 5 個、專業 10 個、工作室 20 個。
• 書面味定口語味要有意識咁揀：LLM 預設出書面語，直接讀會有「讀文件」感。
• 應用入面直接行 REST API；agent 場景可以用 MCP 接入，免費開戶有每月 5,000 字符（月月重置）試整條鏈。

LLM 出字、TTS 出聲：條鏈點駁

大型語言模型已經識講廣東話——真正缺嘅係「把聲」。用戶打一句嘢，模型秒速出一段字，然後呢？如果淨係得字面，體驗就停喺文字機械人；將嗰段字變成廣東話聲，體驗即刻升一級，變成一個真係「開得聲」嘅助手。

呢一步對香港產品嚟講唔係錦上添花。睇吓真實使用場景：用戶喺廚房煮緊嘢想問嘢、司機停紅燈想查資料、長者眼花睇字辛苦、前線同事手上面做緊嘢——呢啲時刻全部係「耳朵得閒、眼睛冇得閒」，語音輸出係唯一啱用嘅介面。你個 AI 產品開得聲講廣東話，就係呢啲時刻唯一嘅答案。

而且香港用戶對「把聲」有感情分。一段用廣東話語感讀出嚟嘅回應，同一段用其他語言聲線硬讀嘅版本，用戶嘅信任度係兩回事。語音輸出呢一步，要嘛做好佢，要嘛唔好做，做一半（得個聲但唔似香港人講嘢）反而扣分。所以揀語音引擎嗰陣，粵語做得專唔專，係第一考慮。

成條鏈嘅結構好清晰：

用戶提問
   ↓
LLM 生成粵語文字回應
   ↓
清洗：剷走符號、標記、連結
   ↓
拆段：按句子邊界切開（每段 ≤500 字符）
   ↓
粵語 TTS：逐段生成音頻
   ↓
按序播放俾用戶聽

五個環節入面，LLM 同 TTS 各有專責，中間嗰三個環節——清洗、拆段、排程——就係工程師真正要動手嘅位。做得好，成個體驗流暢似傾偈；求其做，就會出現「讀緊說明書」嘅怪感。呢篇就逐個環節拆開講。對粵語語音合成零基礎嘅讀者，建議先睇廣東話 TTS 完全指南補底，再返嚟跟住砌。

第一關：文字清洗

LLM 嘅輸出係「畀人睇」嘅文字，唔係「畀機器讀」嘅稿。呢個身份錯配就係所有問題嘅根源：人睇嘅嘢有排版、有圖示、有超連結；機器讀嘅嘢只可以有一句一句嘅話。直接塞入語音引擎，會撞到幾類問題：

• 格式標記：markdown 嘅星號、井號、連字號，讀出嚟全部係噪音，要剷。
• 表情符號：出聲之後係無意義嘅，清洗時移走。
• 連結同代碼塊：URL 逐個字母讀出嚟係災難；代碼塊應該抽起或者改成口頭描述。
• 列表結構：一至三點可以改寫成「第一……第二……第三……」，太長嘅清單就提示用戶睇文字版。
• 粗體斜體標記：同格式標記一樣，聲音世界冇粗體，只可以有語氣強調，靠稿面寫法表達。

俾個直觀對比你睇。LLM 原始輸出可能係咁：

## 重點提示
1. **時間**：會議改期至 3 點半
2. 詳情睇 👉 https://example.com/mtg
3. 記得帶齊文件！

清洗之後，落語音引擎嘅稿應該係咁：

三個重點。第一，會議改期至三點半。
第二，詳細安排稍後用訊息發俾你。
第三，記得帶齊文件。

同一個訊息，後者先係「講得出」嘅嘢。清洗可以用簡單規則做：正則剷符號、抽走代碼塊、列表轉句子、連結轉「詳細內容會發俾你」呢類口頭交代。想做得更靚，可以喺 LLM 嘅提示詞入面直接要求「輸出以朗讀為目的嘅版本，唔好用任何格式標記」——叫模型自己出乾淨口播稿，清洗工作量即刻細一半。兩種手法夾住用，出嚟嘅稿先係真正「為把聲而寫」嘅稿。清洗呢一步做得好，後面成條鏈都順；做求其，後面點補都補唔返。

第二關：讀音細節

粵語對讀音嘅講究全港人都知：六個聲調，同一個音節轉個調就係另一個字；一個字幾個讀音，擺錯位就讀錯。語音輸出鏈入面，讀音呢關唔係引擎一個嘅責任，貼稿嗰邊做足工夫，成品先穩。LLM 輸出落到 TTS 之前，有幾樣嘢值得留意：

口語字定書面字。 LLM 預設出書面語：「現在」、「什麼」、「很好」。用廣東話聲讀書面字，出嚟係「書面腔廣東話」——唔算錯，但香港人一聽就知唔係日常講嘢。想要口語感，就要喺清洗或者提示詞層面轉做「而家」、「乜嘢」、「好好」。呢個取捨冇絕對答案，睇產品定位：正式查詢助手用書面腔反而穩重，生活類助手就口語感食糊。兩種路線嘅深入對照可以睇書面語定口語？廣東話 TTS 貼稿轉換全攻略。

數字同日期。 對話入面嘅「3 點半」、「第 5 題」、「2026 年」，穩陣做法係喺清洗層轉做中文字（「三點半」、「第五題」、「二零二六年」），讀音唔會有意外。金額就連單位一齊寫（「一百二十蚊」），唔好等引擎自己演繹「120」應該讀咩。

中英夾雜。 香港人傾偈自然夾英文字，LLM 出嘅字都會咁：「book 咗未有？」「個 app 更新咗未？」粵語語音引擎處理得掂中英夾雜，貼稿嗰陣照寫就得，唔使斬腳趾避沙蟲將英文字強行寫成中文，反而失真。

拿唔準嘅字，查字典。 粵語讀音有疑問，可以查中文大學嘅粵語審音配詞字庫，核對咗先至入稿，尤其係人名、地名同多音字。高頻場景嘅字詞，核對一次就一勞永逸，值得做。

語氣詞用得有分寸。 「喇」、「啦」、「囉」呢類語氣詞係廣東話嘅靈魂，但語音輸出鏈入面要節制：一句一個夠，通篇都係就會嘈。LLM 嘅提示詞可以指明「語氣自然，語氣詞適量」。

第三關：拆段同延遲

LLM 回應長短無定，粵語 TTS 單次任務上限 500 字符，所以拆段係必然動作。拆得好，唔單止符合限制，仲可以直接影響用戶感受等幾耐：

• 按句子邊界切：句號、問號位落刀，唔好喺詞語中間斬開。
• 每段 200 至 400 字符：太短停頓碎，太長貼近上限冇緩衝。
• 按序提交按序播：記住每段次序，完成一段播一段，等於自製輕量串流，用戶聽到第一句嘅等待時間大幅縮短。
• 控制在途上限：每個方案有在途任務上限（免費 3 個、入門 5 個、專業 10 個、工作室 20 個），佇列管理做好，完成一件先放下一件，超額會回 429。
• 尊重限流：每把金鑰預設每分鐘 60 個計費請求，撞到 429 就跟 Retry-After 等待；查詢任務狀態嘅請求唔計數，輪詢可以放心做。
• 快取唔變嘅內容：歡迎語、常用提示呢類固定內容，生成一次收埋重用，唔使次次重新生成，又慳配額又慳時間。

一段 200 字嘅回應，一般幾十秒內完成生成；配埋逐段播放，用戶好快就聽到開頭。體驗設計上有幾招可以加：

短答先播，長答拆播。 判斷回應長度：一句到兩句嘅，等齊先播，乾淨俐落；超過一段嘅，拆段逐段播，配合字幕或者文字同時顯示。

等嘅時間有嘢睇。 生成期間喺畫面顯示「文字回應已經喺度，語音準備緊」，用戶可以即刻睇，想聽就等幾秒，兩邊都唔阻住。

失敗有後路。 個別段落生成失敗，就先播文字版，音頻補返，體驗唔會因為一次失敗而斷纜。

延遲呢樣嘢，設計得啱就幾乎感覺唔到，設計得唔啱就處處都係等。核心思路只有一句：唔好等齊先有嘢俾用戶，一路行一路有嘢出。

接入方式：直接 API 定 MCP

條鏈要落地，第一步係揀接入方式。兩條路，睇你個產品係咩形態：

直接行 REST API：啱俾自建應用——網站、應用程式、電話系統。流程係申請金鑰、POST 提交生成任務、輪詢 GET 攞音頻。呢條路控制力最強，拆段、佇列、播放全部由你話事。快速上手步驟可以跟粵語 TTS API 快速上手行一次，幾分鐘就有第一段聲。

用 MCP 接入：啱俾 agent 同工具鏈場景——你個 AI 助手本身已經支援 MCP 工具調用，加一個粵語 TTS 工具，模型就可以自己「開聲」。呢條路唔使寫幾多 code，設定好工具就用得，由零開始嘅設定流程可以睇MCP 接入粵語 TTS 完整教學。

兩條路共用同一筆配額，揀邊條純粹睇你個架構邊頭方便。未決定之前，免費開戶嘅每月 5,000 字符（月月重置）（約 21 分鐘音頻）足夠兩條路都試一次，聽過實際效果先至落注。

常見落地場景

以下幾個場景，行嘅都係同一條鏈，分別只在清洗同拆段嘅細節取捨：

知識庫問答助手。 企業內部知識庫配 LLM 問答，加粵語語音輸出之後，前線同事喺手忙腳亂嘅工作環境用「聽」嘅就攞到答案，唔使停低睇屏幕。倉庫、廚房、車間呢啲「手騰眼又忙」嘅環境，語音輸出係剛需。

教育問答機械人。 學生問、機械人答再讀出嚟，對讀寫能力發展緊嘅學生特別有用，聽讀並行吸收快一截。相關嘅教育應用思路可以睇AI 助理廣東話語音應用指南。

無障礙閱讀。 LLM 先將長文總結成幾段精華，再交 TTS 讀出，視障用戶同埋「聽書型」用戶都受惠。讀屏同無障礙場景嘅完整做法，廣東話讀屏 TTS 完整指南有專門講解。

語音日報。 每日定時叫 LLM 整理新聞或者業務重點，清洗拆段之後生成一段三分鐘語音簡報，全自動，日日準時。團隊朝早開工前聽一段，等於有個唔會攞假嘅新聞秘書。

客服預答。 常見問題由 LLM 生成標準答案、語音輸出做第一層應對，複雜個案先轉人手，客服團隊時間慳返做真正需要判斷嘅個案。

展覽導覽。 展品說明由 LLM 按訪客興趣即場組織成簡短解說，語音讀出，同一個展位可以對唔同訪客講唔同重點，導覽即刻有互動感。LLM 加語音，導覽由單向播講變成雙向對答。

常見問題 FAQ

LLM 輸出要幾耐先變到聲？

視乎回應長度。短回應（百幾二百字）一般幾十秒內完成生成；長回應拆段逐段播，用戶好快聽到第一句，整體體驗接近即時。

500 字符上限會唔會令長回應好麻煩？

唔會，拆段係標準做法：按句子邊界切開，逐段提交，控制在途上限（免費 3 個起），按序播放。幾千字回應都處理到。

LLM 出嘅書面語直接讀得唔得？

得，但會有「讀文件」感。想要日常講嘢嘅味道，就要喺提示詞或者清洗層轉口語。兩種風格嘅取捨同轉換方法，貼稿轉換攻略一文有詳細對照。

API 同 MCP 兩條路可以轉嚟轉去嗎？

得，兩邊共用同一筆配額，切換冇技術障礙。常見做法係開發期用 MCP 快速試概念，正式產品行 REST API 做精細控制。

逐段播放嘅話，段與段之間會唔會停頓好耐？

一般唔會。生成快過播放，前一段播緊嗰陣後一段已經好快跟上。排程做好（按序提交、控制在途上限），聽感係連續嘅。

撞到 429 限流點算？

兩種情況：每分鐘請求限流就照 Retry-After 等待再重試；在途任務上限就等現有任務完成先提交新的。程式化用佇列管理，日常基本唔會撞到。

條鏈會唔會好貴？

成本照字數計：每分鐘音頻約 240 字符，10 分鐘語音約 2,400 字符，入門方案計約 HK$1.54。免費開戶有每月 5,000 字符（月月重置），行通成條鏈都未使錢。

免費可以試到咩程度？

每月 5,000 字符（約 21 分鐘音頻），夠你由 API 或者 MCP 兩條路都行一次。免費同入門方案仲可以開沙盒金鑰，每日 20 個生成提交做開發調試，輪詢同下載唔計數。

條鏈入面邊個環節最易出事？

清洗。LLM 出嘅格式標記、連結、表情符號，一個漏網就會喺語音入面讀出嚟。建議清洗完做一道檢查：稿面唔應該有任何非中英文字符號。

[!CTA]

令你個 AI 助手開得聲講廣東話

由免費帳戶開始，每月 5,000 字符行通由 LLM 出字到粵語出聲嘅整條鏈。