多輪粵語對話語音點樣做？三種生成策略＋一致性指南

一句答你： 做多輪粵語對話語音，最穩陣嘅組合係「口語稿＋固定圖庫聲線＋逐句生成」：單個請求 500 字符以內、25 句一批交、每個角色鎖死同一個 slug，語氣逐句用情緒參數調，出嚟嘅對白先至連貼自然。

Key Takeaways

• 多輪對話三大難點：口語化、語氣自然、聲線跨句一致
• 每個請求 text 上限 500 字符，超額會成個拒絕、唔會幫你截短（規格以 2026-10 公開文件為準）
• 批量 items 一次最多 25 個，屬專業／工作室方案功能；驗證係全有或全無
• design／clone 出嚟嘅聲線係單次請求用，唔會存底——要一致性，用圖庫 preset
• 粵語對白要用口語（嘅、咗、㗎、啦），照書面語讀會好生硬
• 成本粗估：約 240 字符 ≈ 1 分鐘音頻，10 分鐘對白大約 2,400 字符

乜嘢係多輪粵語對話語音？

多輪對話語音，指嘅係一段有嚟有往、連續幾十句嘅粵語對白音頻：客服應對示範、廣播劇、情景教材、雙主持 podcast、產品對話演示……共通點係佢唔係一句孤立嘅句子，而係一場「戲」。

單句生成同多輪對話，難度係兩個層次。

同單句生成有咩分別

單句生成，你只需要理嗰一句：貼字、揀聲、出檔。多輪對話要理嘅係一個系統：

呢四樣，任何一樣甩咗，成段對白就會聽落「機械」。

點解粵語對白特別考功夫

書面語讀出嚟係災難

最大嘅陷阱：直接將書面語稿交俾語音引擎。廣東話係少數「講嘅」同「寫嘅」差距好大嘅語言——書面寫「他在這裡」，香港人講嘢係「佢喺度」。書面稿讀出嚟，文法同詞彙都唔係日常口語，聽眾一耳就覺得假。

寫對白稿嘅基本原則：

• 代詞用「佢」唔用「他／她」
• 動詞詞尾用「咗」（完成）、「緊」（進行）
• 「嘅」代替「的」，「唔」代替「不」，「冇」代替「沒有」
• 句尾按語氣加「㗎」「啦」「喎」「咩」——但唔好每句都加，會油

語氣詞係粵語對話嘅靈魂

粵語語氣詞密度極高：「你食咗飯未㗎」「係喎」「唔係咩」——呢啲字決定句子嘅態度，佢哋唔係裝飾，係語音內容嘅一部分。寫稿嗰陣要留意語氣詞嘅位置同密度。想深究讀音，可以查香港中文大學嘅粵語審音配詞字庫（humanum.arts.cuhk.edu.hk）。

我哋另有一篇專講粵語語氣詞點樣喺語音生成入面處理嘅文章（廣東話語氣詞 TTS 攻略），同埋書面語對口語嘅完整對照（書面語 vs 口語：粵語 TTS 點處理），寫稿前值得先讀。

一致性：同一把聲要撐得足幾十句

第 3 句同第 38 句嘅角色，聽落一定要係同一個人。呢個係多輪對話最容易出事嘅位，下面有成節講點做。

文字預處理：生成前十分鐘嘅執稿功夫

稿寫完唔好即刻提交，行一次檢查：

• 標點統一用全形：逗號句號會影響停頓，半形標點嘅停頓表現唔穩定
• 數字寫法想清楚：需要逐位讀嘅（電話號碼、編號）考慮直接寫成中文字；金額日期就保留自然寫法，生成後聽一次核對
• 英文字留意縮寫：縮寫（例如「OK」「APP」）嘅讀法可能同你預期唔同，先試聽先算數
• 刪走唔出聲嘅嘢：括號註釋、舞台指示（「（笑）」「停頓兩秒」）會照樣讀出嚟——要動作效果就自己喺剪輯度加，唔好靠稿面符號

呢十分鐘嘅執稿，慳返嚟嘅係成輪重生成嘅時間。粵語有唔少多音字，同一個字唔同詞語讀法唔同，稿面寫法已經係第一道防線——唔肯定嘅字，出聲讀一次核對先提交。執稿呢步唔好假手於人：寫稿嗰位自己讀，第日聽到音頻有嘢唔自然，都知要去邊句執。

一個實例：三分鐘訂位對話點拆

想像一個餐廳訂位示範對話：兩個角色、大約 20 句、合共 700 幾字符。實務拆法：

1. 揀聲：顧客用一把年輕聲 slug，職員用一把成年聲 slug——試聽過、寫入角色表
2. 改口語：「請問有冇位？」唔好寫「請問是否還有座位」；「幾點到？」唔好寫「閣下將於幾時蒞臨」
3. 拆段：開場寒暄三句併做一段（150 字符內，同一個角色）；中間問答逐句做；結尾確認又一段
4. 調語氣：職員全場 neutral 為主、關鍵安撫位 gentle；顧客問價嗰句可以輕度 surprised
5. 生成順序：先出頭 30 秒聽效果，核對讀音（尤其菜名、地方名），OK 先生成埋其餘場次
6. 拼接：句距 300 毫秒起步，場景轉換位加長到 800 毫秒

成個流程一個下晝搞掂，而且角色表同拆段表留底——第日改稿，重做範圍一目了然。呢種「表驅動」嘅做法，係多輪項目同單句試玩最大嘅分別：你管理嘅係一個劇本系統，唔係一堆散件音檔。

三種生成策略，邊種啱你？

根據公開規格（觀察日期 2026-10），每個生成請求嘅 text 上限係 500 字符，超額會回錯誤、成個請求拒絕，唔會自動幫你截短。所以長對白一定要拆。拆法有三種：

策略一：逐句生成（最穩陣）

一句一個請求，每句自己一份音頻，你自己負責串埋。

• 好處：粒度最細，那句出事重做那句；每句可以獨立調情緒
• 代價：請求數最多，你要自己管理拼接同句距
• 適合：廣播劇、教材對話——質量優先嘅場景

策略二：長文本一次過（500 字符內）

將幾句合併成一段文字（用標點分句）一次交，引擎自己處理停頓。

• 好處：句與句嘅銜接、停頓由引擎處理，自然度通常最好
• 代價：一段入面出問題要成段重做；500 字符上限要留意
• 適合：獨白式對白、一個角色連續講幾句

策略三：批量 items（25 個一組）

API 支援批量提交：一個請求帶最多 25 個生成任務，逐個回報任務編號。三樣嘢要知：

1. 批量係專業／工作室方案功能，免費／入門方案提交批量會被拒（零提交、零扣費）
2. 驗證係全有或全無：任何一項無效，成批拒收，一項都唔會入
3. 一批只計一次限流，唔係逐項計

• 適合：成套劇本幾十句一次過排隊做

三種策略點揀

實務上好多人混合用：重要嘅對手戲逐句做，獨白用長文本，大量旁白批量排。

角色聲線一致性：多輪對話嘅生死位

用圖庫聲線，唔好用 design／clone 做多輪

呢度有個好多人中招嘅規格細節：設計聲線（design）同聲音複製（clone）出嚟嘅聲線係單次請求性質，唔會儲存做可以重用嘅聲線資產。即係話你呢句用 design 生成，落一句再 design，兩句嘅聲線冇保證一樣。

所以做多輪對話，正路係：

1. 由聲線目錄介面（或者 GET /v1/voices）揀定每個角色嘅 slug——ASCII 穩定識別，例如官方文件示範嘅 sum 對應「心妍」
2. 成套劇本鎖死「角色 → slug」映射表
3. 每個請求都用同一個 slug，一致就靠圖庫聲線本身

喺 playground 試聽揀聲線嗰陣，直接用聲線揀選指南嘅準則逐步篩，揀定之後記低 slug 就得一。

逐句調語氣：情緒參數

API 支援九種情緒值：happy、sad、angry、fearful、disgusted、surprised、neutral、excited、gentle。對白入面，主角畀人激親嗰句用 angry，回氣嗰句用 sad，結尾和好嗰句用 gentle——逐句指定就得。另外仲有自由文字嘅 style 提示，可以補充情境描述。

情緒控制嘅完整玩法（包點揀唔會太誇張嘅強度）睇粵語 TTS 情緒控制指南。兩個角色對質嗰類戲，亦可以參考多聲道對話音頻教學嘅配音稿寫法。

長度、額度同成本點計

字符同音頻長度換算

官方估算：約 240 字符 ≈ 1 分鐘音頻。常用對照：

成本

10 分鐘對白 ≈ 2,400 字符，按方案月費攤計，大約係入門 HK$1.54、專業 HK$1.35、工作室 HK$1.18。方案額度：

留意兩點：免費額度月月重置，唔會跨月累積；付費方案配額跟你自己嘅帳單週期重置，唔係月曆一號。配額用完冇超額收費，要加量就買字符包（HK$0.80／千字符，最小 HK$50 有交易）。API 同 playground 共用同一份配額，兩邊加埋計數。

生成之後：下載、保存同拼接

任務完成之後，輪詢回應會帶一條預簽下載網址，下載唔使再帶金鑰。兩個時效要記住：已入音頻庫嘅檔案，網址有效 1 小時；未入庫、由生成端直接出嘅檔案，有效 7 日。做多輪對話最好養成一個習慣：任務一完成就即刻下載，存去自己嘅儲存，用自己嘅命名規則（例如 ep01-sc03-line07.mp3）管理版本——平台嘅音頻歷史喺唔同方案有唔同保留日數（免費 15 日、入門 60 日、專業 90 日、工作室 120 日），自己存檔先係長遠之計。

拼接工具方面，逐句生成嘅檔案用任何音頻編輯工具都可以串；留意句距由你自己控制，對白場景建議 200 至 400 毫秒，爭執場景可以收窄到近乎無縫。

多輪對話常見陷阱清單

1. 書面稿直出——上面講咗，先改口語先生成
2. 語氣詞氾濫——句句「啦」「㗎」會好煩，留俾關鍵句；一段戲三四個語氣詞已經夠味
3. 句子太長爆 500 字符——提交前自己數；被拒會成個退回，唔會截短
4. 用 design 做跨句角色——聲線唔會存底，一致性冇基礎；多輪場景一律圖庫 slug
5. 忘記在途任務上限——免費 3 個、入門 5 個、專業 10 個、工作室 20 個並行；超額回 429，排程要有等待機制
6. 音頻網址攞咗唔即刻載——預簽網址有時效（最短 1 小時），完成後盡快下載入自己儲存
7. 每句都用同一情緒——成段戲一個 tone，聽落悶；跟劇情起伏先有戲味
8. 無版本管理——第 3 版劇本嘅音檔同第 4 版混埋一齊，是但播錯一條就穿幫；檔名入版本號係最平嘅保險

常見問題 FAQ

一句對白最好幾多個字符？

10 至 60 個字符最自然，即係日常講嘢一句嘅長度。超過 100 字符嘅「一句」，其實係幾句，建議拆開逐句生成或者併入長文本段。

兩個角色對話，可唔可以一次請求做晒？

唔可以。每個請求只有一個聲線來源（圖庫 slug、design 或 clone 三選一），A 角同 B 角要分開請求生成，再自己拼接。多聲道嘅稿寫法可以睇對話教學一文。

批量提交 25 句，會唔會因為一句錯而成批報廢？

會。批量驗證係全有或全無——任何一項無效，成批拒收。所以提交前先逐項檢查字符長度同參數；或者先交一項試水，確認格式冇問題先開批量。

免費方案可唔可以做多輪對話？

技術上可以：免費開戶有每月 5,000 字符（月月重置）（約 21 分鐘音頻），單請求功能全部用到，只係批量唔包。做一個兩分鐘嘅示範場景綽綽有餘，但成套劇本就會需要入門或以上方案。實務建議：免費期用嚟驗聲線、驗口語稿、驗語氣配搭——呢三樣驗好，升級之後嘅生成純粹係量產，唔會有意外。

點樣令句與句之間嘅停頓自然？

三個方法：長文本段一次生成（引擎自己處理停頓）；逐句生成時喺拼接軟件加 200 至 400 毫秒句距；稿面上用標點控制節奏（破折號、刪節號會影響停頓感）。段與段之間（場景轉換）就用 600 至 800 毫秒，聽感先有「轉場」嘅感覺。

情緒參數會唔會令聲線變咗另一把聲？

情緒係演繹風格嘅調整，唔會改變聲線身份——但強情緒（angry、excited）聽感變化大，多輪對話入面建議同場景嘅句子用相近強度，避免一句好激動下一句突然平淡。拿捏唔準，就由最保守嘅 neutral 開始，逐句先加情緒聽效果——減法永遠比加法安全。

對白入面有英文字同數字，處理到嗎？

處理到。API 預設語言係粵語，中英夾雜係香港日常語境，引擎會照讀；數字讀法跟粵語習慣。夾雜文本嘅細節可以睇中英夾雜處理指南；成段英文名單或者術語特別多嘅稿，建議逐句試聽，夾雜位嘅順滑度要自己驗收。

[!CTA]

貼段對白落去，聽下把聲啱唔啱

開個免費帳戶即有每月 5,000 字符，喺 playground 貼你嘅對白稿即刻試生成，唔使寫半行 code。