目錄（24 節）
- 乜嘢係 PixVerse 對嘴
- 做之前：粵語對嘴嘅三個前置認知
- 認知一：聲軌係一切嘅起點
- 認知二：粵語發音嘅坑要先執
- 認知三：素材唔係求其搵一張相
- PixVerse 對嘴實戰流程（六步）
- 第一步：寫稿同斷句
- 第二步：生成或錄製粵語聲軌
- 第三步：準備影片素材
- 第四步：喺 PixVerse 做對嘴
- 第五步：五個 QC 位（重點）
- 第六步：成片修整同發佈
- 常見錯誤同補救
- 工具點揀：PixVerse 同其他路線比較
- 常見問題 FAQ
- PixVerse 對嘴支唔支援粵語？
- 粵語六個聲調會唔會影響對嘴？
- 聲軌應該用真人錄音定 AI TTS？
- 對嘴片可唔可以加字幕？
- 用 AI 對嘴要不要標示？
- 對嘴出嚟嘴型怪，可以點補救？
- 一條片要幾長先啱用對嘴？
- 資料來源同方法說明
- 想條粵語聲軌即刻有得試？
PixVerse 對嘴教學：粵語短片實戰全攻略（2026版）
本文教你點樣用 PixVerse 製作自然嘅粵語對嘴短片，涵蓋音檔準備同口型調校技巧。適合想提升 AI 短片質素嘅創作者。
一句答你：PixVerse 對嘴功能可以畀你將一段粵語聲軌套落人物片度，令嘴型跟到發音；要做得自然，關鍵唔係揀咗個工具就算，而係聲軌製作、素材準備同五個 QC 位全部做足。
重點摘要 Key Takeaways
- PixVerse 屬於影片生成／對嘴類工具，用嚟做粵語短片對嘴係可行路線，但要自己準備高質素粵語聲軌。
- 對嘴效果嘅核心係「聲軌先行」：先做好乾淨、節奏清楚嘅粵語音頻，先再套片。
- 嘴型主要跟音素（viseme），聲調唔直接改變嘴型，所以粵語對嘴同普通話對嘴喺技術原理上相近，難點喺發音自然度。
- 五個 QC 位：嘴型同步、發音錯字、口部清晰度、節奏斷句、成片標示合規。
- 長對白建議切句生成，逐段 QC，先好合併成片。
- 想一站式比較唔同對嘴引擎，可以睇我哋嘅粵語對嘴完整指南。
乜嘢係 PixVerse 對嘴
先講清楚定位。PixVerse 屬於 AI 影片生成平台其中一類能力，包括影片生成同對嘴（lip sync）功能。喺「通用層」嚟講，佢嘅對嘴功能係：你畀一段片（或者一個人物畫面），再畀一段音頻，工具就去令片中人物嘅嘴部動作配合音頻發音。
對嘴（lip sync） 係指令畫面人物嘅嘴型動作同聲軌發音時間吻合嘅技術。近年主流做法係用生成式模型直接重繪口部區域，而唔係靠真人重新拍攝。學術界近年亦有好幾篇相關研究，例如 Style-Preserving Lip Sync 就探討點樣喺對嘴同時保留原片人物風格（Style-Preserving Lip Sync 論文, 2026）。
音素（phoneme） 係語言入面最細嘅發音單位；視素（viseme） 係對應嘅嘴型形狀。重點係：粵語有六個聲調（教學上常講九聲六調），但聲調影響嘅係音高，唔係嘴型。嘴型主要跟音素，所以一句粵語同一句普通話，就算聲調完全唔同，嘴型序列可能好相似。呢個就係點解粵語對嘴嘅「對嘴」部分其實唔係最大難點，難點喺粵語發音本身要夠自然。
粵語聲軌 係你餵畀對嘴工具嘅音頻檔案。可以係真人錄音、AI 文字轉語音（TTS）生成，或者聲音克隆產出。聲軌質素直接決定對嘴成敗——模糊嘅音頻、含糊嘅發音，對嘴出嚟都會怪。
PixVerse 喺呢個生態嘅位置，同 Kling、HeyGen 等工具相近，都係「片＋聲＝對嘴片」。想比較邊個啱你，我哋有對嘴引擎橫向比較可以參考。
做之前：粵語對嘴嘅三個前置認知
認知一：聲軌係一切嘅起點
好多新手第一時間諗「揀邊個對嘴工具」，但其實第一步係做聲軌。對嘴工具只係將你畀佢嘅音頻「演」出嚟；音頻差，就冇得救。粵語聲軌嘅製作選項主要有三種：
| 聲軌來源 | 適合場景 | 主要注意位 |
|---|---|---|
| 真人錄音 | 品牌片、有真人授權嘅內容 | 安靜環境錄、逐句錄、留少少頭尾氣口 |
| AI 文字轉語音（TTS） | 批量短片、旁白型內容 | 粵語多音字易讀錯，要逐句執 |
| 聲音克隆 | 想延續特定聲線嘅品牌內容 | 必須取得聲音擁有人明確同意 |
例如一間連鎖食店想出十條推廣短片，全部用同一把女聲講廣東話。佢哋可以先用 TTS 逐條生成聲軌，逐條聽一次確認冇讀錯字，然後先落對嘴。呢個流程比「直接喺對嘴工具輸入文字」穩陣，因為你可以喺聲軌階段就 QC 發音，唔使成片之後先發現問題。
認知二：粵語發音嘅坑要先執
粵語 TTS 最大的坑係多音字。多音字 係指同一個字有幾個讀音，要靠上下文先知讀邊個。粵語多音字特別多，文字轉拼音（G2P）出錯機會高，呢個都係粵語語音技術嘅核心難點之一（Cantonese G2P 研究提及於 Interspeech, 2026）。
例如「重」字，「重點」讀「zung6」，「重要」又係「zung6」，但「重新」就讀「cung4」。TTS 讀錯嘅話，對嘴片出嚟觀眾一聽就知唔妥。所以聲軌生成之後，一定要逐句人耳覆核，發現讀錯就用斷句、改字或者分段再生成嘅方式修正。想深入理解呢啲坑，可以睇我哋嘅粵語多音字指南同書面語轉口語嘅處理方法。
另外，香港日常講嘢係中英夾雜，例如「check 吓個 schedule」。呢種 code-switching 對 TTS 係考驗，讀出嚟嘅英文單字口音可能同整句粵語唔夾。做品牌片嘅話，建議先做一段短聲軌試音，確認夾唔夾個品牌調性。相關嘅處理思路可以參考粵語中英夾雜嘅語音處理。
認知三：素材唔係求其搵一張相
對嘴工具對素材有共通要求，PixVerse 亦一樣：
- 正面、嘴部清晰：側面、遮嘴、闊嘴動作大嘅畫面，對嘴效果會差。
- 片長同聲長要夾：聲軌長過畫面，會出現「講完嘴仲郁」或者被剪斷；最好係聲軌同畫面時長大致一致。
- 人物穩定：鏡頭亂搖、人物頻繁出畫，對嘴區域追蹤會唔穩。
呢啲要求唔係 PixVerse 獨有，Kling 嘅官方 Lip Sync 文件都明確講角色要正面、嘴部清楚（Kling 官方 Lip Sync 指南, 2026），HeyGen 嘅粵語 avatar 都係用 phoneme 級嘴型（HeyGen 粵語文字轉語音頁, 2026）。同一套素材準備邏輯，幾乎所有對嘴工具通用。
PixVerse 對嘴實戰流程（六步）
以下係一套通用工作流，用 PixVerse 或者類似對嘴工具都啱用。
第一步：寫稿同斷句
粵語口語稿要短句。一句唔好超過二十字左右，方便逐句 QC 同逐句對嘴。寫稿嗰陣已經要避開多音字陷阱，例如將「重量」寫清楚成「貨品嘅重量」，減少歧義。長稿就切開做幾段，後期剪埋。
第二步：生成或錄製粵語聲軌
揀定聲軌來源之後，逐段生成。生成之後做三件事：
- 人耳覆核發音：特別留意數字、地址、專名。數字同地址讀錯係粵語 TTS 常見錯位，相關規律可以睇粵語數字同地址嘅讀法。
- 檢查節奏：句同句之間留適當氣口，冇氣口嘅聲軌對嘴出嚟會「車輪轉」。
- 檢查音量一致：幾段聲軌剪埋之前，先確保音量同音色一致，唔好一段大聲一段細聲。
第三步：準備影片素材
按上面「認知三」嘅要求揀素材。如果係用生成影片做底，記住要確保人物形象喺段片入面一致，呢方面可以參考AI 影片角色一致性嘅做法。
第四步：喺 PixVerse 做對嘴
上載素材同聲軌，跑對嘴生成。呢一步嘅實際介面同選項以 PixVerse 官方文件為準，本文唔寫具體參數規格，因為平台功能更新好快，以官方最新說明為準。
第五步：五個 QC 位（重點）
呢個係全文最核心嘅部分。對嘴片生成之後，唔好即刻出街，逐項過以下五個 QC 位：
QC 位一：嘴型同步。 逐句睇，重點睇句首同句尾——好多人只睇中段，漏咗開口同閉口嘅時間位。嘴型早半秒或者遲半秒，觀感會明顯怪。如果差得遠，可能係聲軌頭尾有靜音位冇剪走。
QC 位二：發音正確。 對嘴再靚，讀錯字都係零分。呢個其實係聲軌階段應該已經解決嘅問題，但成片之後要再聽一次，因為有時剪接、混音過程會引入新問題。
QC 位三：口部清晰度。 放大睇口部區域有冇明顯偽影、牙齒消失、嘴型「糊」咗。呢啲係生成式對嘴常見瑕疵，尤其人物原本有鬚、有唇膏或者嘴部特寫嘅時候。學術研究一直喺度處理呢類問題，例如個人化對嘴生成研究就集中喺保持人物原有口部特徵（StyleLipSync：個人化對嘴生成, 2026）。
QC 位四：節奏斷句。 聽成段片，睇句同句之間嘅氣口喺畫面上嚟講自唔自然。特別係幾段逐句生成再剪埋嘅片，接位嘅節奏最容易出事。
QC 位五：標示同合規。 生成式 AI 內容應該有清楚標示，呢個係香港《香港生成式人工智能技術及應用指引》強調嘅透明原則（香港數字政策辦公室, 2026）。另外，平台生成嘅內容可能自帶 C2PA 或 SynthID 類水印，唔好移除。如果用到真人樣貌或聲音，必須事先取得明確授權，呢部分可以睇我哋嘅AI 聲音授權同權利指南同香港 AI 合規要點。
第六步：成片修整同發佈
五個 QC 位過晒，先做最後剪接：加字幕、配樂、封面。字幕建議同期做，因為粵語片好多觀眾依賴字幕理解，呢方面可以睇TTS 字幕工作流。配樂音量唔好蓋過人聲，混音基本法可以睇AI 影片音頻混音指南。
常見錯誤同補救
錯誤一：用音樂底嘅片段做對嘴。 原片如果本身有音樂或者雜音，對嘴模型可能受干擾。補救：用乾淨、冇背景聲嘅素材，或者先做人聲分離。
錯誤二：聲軌一次過成段落。 一分鐘對白一口氣生成，出咗事就全部重嚟。補救：切句切段，逐段生成逐段 QC，錯一段改一段。
錯誤三：忽略粵語懶音問題。 口語粵語有懶音現象，例如「恒生」部分人讀成近似「痕生」。品牌片想聽落專業，聲軌要用標準發音，唔好直接抄足口語懶音。相關背景可以睇粵語懶音指南同粵語標準發音。
錯誤四：書面稿直讀。 將書面中文稿直接交畀粵語 TTS，出嚟係「書面粵語腔」，聽落唔似香港人講嘢。補救：先將稿轉做口語，例如「已經」轉「已經咗／搞掂咗」視乎語境。轉寫方法可以睇口語轉書面語嘅對照方法。
##【獨家觀察】
根據我哋長期睇開呢個工具類別嘅觀察（2026-10-31），粵語對嘴片嘅質素，工具佔嘅因素其實細過聲軌同素材。同一條粵語聲軌，喺唔同對嘴引擎度跑，差別係「嘴型精細度」層面；但一條差嘅聲軌，無論邊個引擎都救唔返。所以我哋建議團隊將八成時間放喺聲軌製作同五個 QC 位，兩成時間先係揀工具同調參數。另外一個觀察係：香港觀眾對嘴型同步嘅容忍度比想像中高，但對發音錯字零容忍——一句「利息」讀錯聲調，留言區一定有人指正。所以 QC 優先序應該係：發音 > 嘴型同步 > 口部清晰度 > 節奏。呢個排序同行業一般直覺（以為嘴型最緊要）唔同，值得團隊留意。想一站式了解唔同對嘴路線嘅話，可以睇我哋嘅粵語對嘴完整指南同Kling 粵語對嘴實戰。
工具點揀：PixVerse 同其他路線比較
講清楚，呢節唔比較具體規格，只講路線選擇邏輯，因為各平台功能更新好快，數字以官方文件為準。
| 路線 | 代表工具類型 | 適合你，如果… |
|---|---|---|
| 對嘴工具（片＋聲） | PixVerse、Kling Lip Sync 一類 | 已經有片段同粵語聲軌，想令片中人物開口 |
| Talking Avatar | HeyGen 一類 | 由頭做起，想用 avatar 代表品牌出鏡 |
| 一站式多引擎平台 | King AI 一類 | 想喺同一個平台試勻多個對嘴引擎 |
| 純 TTS 無出鏡 | 港嘢一類 | 唔需要人面出鏡，只需要粵語旁白 |
如果條片根本唔需要有人面出鏡，純粵語旁白係最快最平嘅路線，可以直接試我哋嘅 playground。如果想試 HeyGen 嘅 avatar 路線，可以睇HeyGen 粵語 avatar 指南。想理解對嘴技術背後嘅資料處理原理，可以睇學術研究（Lip Sync 資料標準化研究, 2026）。
常見問題 FAQ
PixVerse 對嘴支唔支援粵語？
對嘴功能本身唔係「揀語言」，係餵音頻落去。所以關鍵係你嘅粵語聲軌本身要做得好。建議先用一段十秒短聲軌試跑，確認嘴型同步同口部清晰度可以接受，先落大批製作。
粵語六個聲調會唔會影響對嘴？
唔會直接影響。嘴型主要跟音素（viseme），聲調係音高變化，唔改變嘴型形狀。所以對嘴引擎處理粵語同處理普通話，喺嘴型層面差別唔大；真正影響觀感嘅係粵語發音自唔自然。
聲軌應該用真人錄音定 AI TTS？
睇用途。真人錄音最自然但要時間同授權；AI TTS 快、平、易改稿，適合批量同經常更新嘅內容。混合做法係：品牌主打片用真人錄音，社交短平快內容用 AI TTS。
對嘴片可唔可以加字幕？
可以，而且強烈建議。香港觀眾好依賴字幕，尤其有環境雜音或者觀眾靜音睇片嘅時候。生成字幕可以用 SRT 工作流，詳細做法睇我哋嘅TTS SRT 字幕工作流。
用 AI 對嘴要不要標示？
應該要。香港官方指引強調生成式 AI 內容要有透明度同清楚標示（香港數字政策辦公室, 2026）。另外私隱方面，處理人物樣貌同聲音都涉及個人資料，可以睇私隱專員公署嘅 AI 個人資料保障框架（香港私隱專員公署, 2026）。
對嘴出嚟嘴型怪，可以點補救？
先檢查三樣：一係素材，人物係咪正面、嘴部係咪清晰；二係聲軌頭尾係咪有靜音冇剪；三係聲長同片長係咪差太遠。三樣都冇問題仲係怪，就試換一段聲軌或者切短句重跑。
一條片要幾長先啱用對嘴？
實戰上，十五至六十秒嘅社交短片係對嘴最穩陣嘅區間。太長就難逐段 QC，而且單段出錯重做成本高。長片建議切開幾段獨立對嘴，後期先剪埋。
資料來源同方法說明
本文嘅工具能力描述只講通用層，以各平台官方文件為準（觀察日期 2026-10-31）。技術原理部分參考以下公開研究同官方資料：
- Style-Preserving Lip Sync 論文, 2026
- StyleLipSync：個人化對嘴生成, 2026
- Lip Sync 資料標準化研究, 2026
- Kling 官方 Lip Sync 指南, 2026
- HeyGen 粵語文字轉語音頁, 2026
- 香港數字政策辦公室生成式 AI 指引, 2026
- 香港私隱專員公署 AI 個人資料保障框架, 2026
本文冇做新建嘅實驗測試；所有工具描述均根據公開官方文件同學術文獻整理。
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）
[!CTA]
想條粵語聲軌即刻有得試？
去 港嘢 playground，登記送 2,000 字符（一次性），輸入你嘅對白，幾分鐘就有粵語聲軌落對嘴。