俾你嘅 AI Agent 講廣東話：MCP 語音接入指南

一句答你：你嘅 AI agent 識寫嘢、識搵資料，仲差一個出口——把聲。用 MCP（Model Context Protocol）將粵語語音生成接落 agent，一句自然語言指令就可以將報告、通知、提醒變成地道廣東話音頻，唔使另外寫一整套整合程式。

呢兩年企業 AI agent 爆發式增長：識查數據、識寫報告、識跟進任務、識開工單。但你留意返，絕大部分 agent 嘅輸出仍然係一堆文字——要人自己去睇、自己去揭。喺香港職場，好多場景其實係用耳仔多過用眼：開車途中、巡場途中、雙手做緊嘢、戴住安全帽、或者根本係視障同事。呢啲時候，一段自然嘅廣東話語音，比一版排好嘅文字更有用。

呢篇就講三樣嘢：點解 agent 需要語音出口、MCP 呢條路同傳統整合有咩分別、以及落地嗰陣要注意啲乜——特別係粵語場景獨有嘅位。無論你係 IT 負責人定係業務主管，睇完都會知道呢條路值唔值行、點樣行得穩。

Key Takeaways

• MCP 係一個開放協議，等 AI 應用用統一介面接入外部工具同數據源；語音生成係最新一批被接入嘅能力
• Agent 加語音出口，最實用三個場景：報告朗讀、通知自動化、無障礙輔助
• 粵語係關鍵分野：通用語音工具嘅廣東話多數「啱音唔啱 feel」，口語詞同中英夾雜先係香港受眾聽唔聽得入耳嘅關鍵
• 治理先行：agent 生成語音都要跟保障資料原則——講明係 AI、限定用途、控制保留期
• 成本冇想像中貴：大約 240 個字符生成一分鐘語音，日常報告通知量每月幾十港紙水平就搞得掂
• 由內部朗讀做起，三個月行晒「試用、自動化、對外試點」三步，風險可控

點解 agent 需要「識講嘢」

文字出口嘅三個盲位

第一個盲位係場景錯配。倉務員坐喺叉車度唔會開筆電睇報告；地盤管工企喺樓層度唔會滑手機睇長文；司機落高速更加唔可能。呢啲崗位嘅資訊消費模式本來就係聽——你交俾佢哋嘅嘢如果淨係得文字版，等於冇交到。

第二個盲位係無障礙。視障同事要用屏幕閱讀器逐個元素聽文字輸出，體驗斷斷續續；一段語速自然、有語氣嘅語音摘要係完全唔同嘅體驗。企業做無障礙唔單止係社會責任，喺政府項目同公共服務採購入面已經係實際要求。

第三個盲位係觸達率。訊息可以三日唔睇，但來電同語音訊息嘅即時性高好多。Agent 生成嘅催辦、提醒、異常通報，配上自然嘅人聲，行動率係唔同講法。特別係前線流動崗位，「聽到」同「睇到」嘅時間差直接影響反應速度。

Agent 係咪一定要語音？唔係，但有語音先完整

唔係每個 agent 都需要開口。判斷標準好簡單：你嘅 agent 產出，終端用戶係坐喺屏幕前定係喺屏幕以外？前者文字夠用；後者語音唔係錦上添花，係唯一可行嘅出口。香港物流、零售、物管、飲食、建造呢啲大就業板塊，前線崗位絕大多數屬於後者。

國際市場已經行咗呢步

2026 年已經見到大型企業軟件商將語音生成同語音轉寫直接嵌入企業 agent 平台——語音唔再係事後加裝嘅周邊功能，而係 agent 基建嘅標準輸出層。私隱層面，香港私隱專員公署 2026 年發布咗針對代理式 AI 嘅個人資料保障指引，反映企業 agent 落地已經係監管焦點。語音作為 agent 出口，正式踏入主流基建範圍。

MCP 係咩：三分鐘版本

統一插座嘅概念

MCP（Model Context Protocol）係一個開放協議，作用係等 AI 應用用一個標準化介面去接外部工具同數據源。你為一個工具寫一次接入，唔同支援呢個協議嘅 agent 環境都用到。可以理解成「USB-C 之於周邊設備」——唔使每接一件新工具就整一個專屬插頭。

同直接寫 API 整合有咩分別

直接寫 API 整合當然得——港嘢本身有完整 REST API。兩條路嘅分別在於：

簡單講：有開發團隊、要嵌入產品入面，行 API；想令內部 agent 快啲有多一個能力，行 MCP。兩者唔互斥，好多團隊係並行——產品級功能行 API，內部效率工具行 MCP。

接入之後嘅工作流係點

接入之後，agent 嘅能力清單會多咗一項「生成粵語語音」。用起嚟就係自然語言指令，例如：

• 「將今個星期嘅銷售摘要讀出嚟，用輕鬆啲嘅語氣」
• 「生成一段廣東話提醒，通知租戶聽日朝早停水兩小時」
• 「幫我將份報告嘅結論部分轉做音頻，我放工聽」

Agent 會自行呼叫語音工具、攞返生成結果，再交返俾你。過程入面你唔使寫任何 API 調用。至於指令寫得好唔好，直接影響音頻質素——呢方面可以參考《TTS 指令提示撰寫指南》。

粵語場景：點解「識講」唔等於「講得好」

通用語音工具嘅廣東話困境

好多 agent 平台內建嘅語音能力，粵語只係多語言清單入面嘅一格：單字發音大致正確，但係去到口語詞、語氣詞、中英夾雜呢啲香港日常（「聽日開會唔好射波」「呢單嘢搞掂咗未」），讀出嚟就會怪怪哋。怪嘅唔止係好唔好聽——語音唔自然，聽眾對內容嘅信任度都會跟住跌。

地道粵語先有人肯聽

香港受眾對「機械腔廣東話」嘅容忍度極低。揀語音出口嘅時候，重點唔係「有冇廣東話選項」，而係：

港嘢由訓練到聲線設計都係圍繞香港粵語去做，agent 接入之後輸出嘅語音，同喺 playground 聽到嘅質素一致。有關中英夾雜嘅技術細節，可以睇《粵語中英夾雜 TTS 指南》。

香港企業最實用嘅四個應用位

• 內部報告朗讀：週報、日結、巡場記錄，出文字版同時出音頻版
• 通知自動化：租戶通告、系統維護、活動提醒，一稿兩出
• 培訓入門材料：新同事 onboarding 清單變成聽得嘅版本，隨時隨地聽
• 無障礙出口：內部知識庫、政策文件嘅語音版，視障同事直接受惠

治理：agent 開口之前要諗嘅嘢

講明係 AI

Agent 用語音對外溝通，起碼要喺開頭或者明顯位置講明係 AI 生成，唔好令對方以為係真人留言。呢樣唔單止係誠信問題——喺唔同司法管轄區已經係法定要求嘅方向，例如對歐盟市場嘅服務，AI 對話披露有明確時間表。早啲養成習慣，遲啲唔使補鑊。披露嘅方式可以好簡單：開頭一句「以下係 AI 生成嘅語音摘要」已經足夠。

保障資料三條底線

• 用途限定：agent 生成嘅語音內容，只可以用喺原本講明嘅用途。唔好半夜加功能，將客戶資料成單讀晒出嚟
• 保留期：生成嘅音頻檔同原始資料一樣要設保留期，唔係「生成咗就永久擺喺度」
• 存取控制：邊個可以叫 agent 生成邊類內容嘅語音，要有權限設計；敏感內容（人事、財務）要有審批位

揀供應商嘅檢查位

• 語音質素：用你自己嘅真實文稿試，唔好用範例句
• 協議支援：確認供應商有現成 MCP 接入，唔使你自己整
• 用量透明：字符消耗、任務狀態要查得到，方便計成本
• 條款清晰：生成內容嘅商用權、資料處理安排要寫得明

詳細嘅合規框架可以參考《AI Agent 粵語語音應用指南》同《粵語語音機械人實戰指南》。

成本：一句嘢幾多錢

換算概念

粵語語音生成按字符計費，經驗換算係大約 240 個字符生成一分鐘語音。以港嘢為例：免費開戶有每月 5,000 字符（月月重置）試用（約 21 分鐘語音）；入門方案 HK$128 一個月有 200,000 字符，等於大約 14 小時語音量。一份 1,000 字嘅週報，生成音頻版本嘅成本係幾毫子水平。

預算點捉

捉住兩條數就得：每月生成幾多分鐘音頻（乘返 240 換算字符），同埋有冇突發高峰（配額用完可以買字符包，唔會有超額罰款）。對一般企業內部用量，入門或者專業方案已經涵蓋；真係大用量，工作室方案一個月 1,400,000 字符，等於大約 97 小時語音。

落地：三個月行三步

第一個月：內部朗讀試用

揀一份每週固定嘅內部報告（銷售週報、項目進度），令 agent 每次出報告同時出一條音頻版本。呢一步成本近乎零，目的係收集同事真實反應——聽唔聽得明、會唔會聽完、有冇嫌棄把聲。反應好壞都係有用數據：嫌棄把聲，就換聲線再試。呢個階段最好指定一個負責人（唔一定要 IT，行政或者內務同事都做得），有主責人先唔會不了了之。

第二個月：通知自動化

將重複性通知（租戶通告、維護提示、活動提醒）交俾 agent：文字稿過關之後自動生成語音版本，多一條觸達渠道。呢一步要加審批位：語音對外之前，文字稿要先過人手一關。記錄埋每一類通知嘅字符消耗，慢慢會有一張自己嘅用量地圖。

第三個月：對外場景試點

揀一個低風險對外場景（活動報名確認、會議提醒）做試點，全程有真人後備方案。跑一個月之後檢討數據同反應，先決定擴唔擴大。試點期內保留每星期一次簡短覆盤，有問題即刻改，唔好等到月尾先發覺行錯方向。詳細嘅 API 層面玩法可以睇《粵語 TTS API 快速上手》。

常見誤解同風險

有語音唔等於做咗無障礙

語音出口係無障礙嘅重要一環，但真正嘅無障礙仲包括對比度、字體大細、鍵盤操作等等。語音版內容本身都要設計——語速、停頓、結構提示，同文字版嘅排版係兩門學問。將「出了音頻」當成「做完無障礙」，好易喺真正檢查嗰陣露餡。

唔好一步到位全自動

Agent 適合處理結構清晰、重複性高、容錯空間大嘅內容；牽涉重大決定、敏感資料、危機溝通嘅訊息，仍然應該由人主導。分清楚邊啲可以自動化、邊啲必須人手，先係健康嘅分工。起步階段寧願人手審多一次，都好過出一次事要全盤回收。

常見問題 FAQ

Agent 生成語音，每句都係即時嘅咩？

唔一定。批量生成場景（報告、通知）行排隊機制就可以；真正要即時應答嘅對話場景（電話 agent、語音助理）係另一套架構，延遲要求高好多。開始之前想清楚你嘅場景係「聽內容」定「對話」，兩者嘅技術選型完全唔同。

用 MCP 接入之後，換 agent 平台使唔使重接？

MCP 嘅存在意義就係標準化。只要新平台支援同一協議，同一套語音接入原則上直接用到，唔使由零寫過。呢個就係行標準協議相比私有整合嘅最大好處。

Agent 會唔會生成啲唔應該講嘅嘢出嚟？

有呢個風險，所以流程設計上要將語音生成放喺內容審批嘅最後一步：文字稿先過人手把關，確認先至出聲。唔好令 agent 自由發揮直接對外廣播。

粵語語音生成嘅成本點計？

主流按字符計。以港嘢為例，大約 240 個字符生成一分鐘語音；入門方案 HK$128 一個月有 200,000 字符，專業方案 HK$338 有 600,000 字符。配額用完可以買字符包，冇超額罰款。

唔識寫程式嘅團隊用唔用到？

用到。MCP 接入係一次性設定，設定好之後日常操作就係自然語言指令。真係唔想掂設定，可以先喺 playground 手動貼稿生成，感受下質素先再講。

Agent 講嘢可唔可以有自己的聲線？

可以。除咗用現成聲線圖庫，仲可以設計專屬聲線，令 agent 嘅語音同品牌形象一致。要留意聲音複製涉及授權問題——用自己把聲冇問題，用其他人把聲一定要書面同意，詳情睇《粵語 TTS 聲音複製指南》。

[!CTA]

令你的 AI Agent 開口講廣東話

去港嘢 Playground 試吓地道粵語語音嘅質素，再決定接唔接入你嘅 agent 工作流。