Synthesia 廣東話培訓片實務評估（2026）：優劣與應用指南

一句答你： 用 Synthesia 類平台整廣東話培訓片係可行，但唔可以只睇「有冇粵語選項」，要按一致性、更新、字幕、多語言、合規五個要求逐項評估，先唔會中途換平台換到痛不欲生。

重點摘要 Key Takeaways

• 企業培訓片核心唔係「一次靚」，係「長期穩定可以更新」。
• 廣東話有 6 個聲調、入聲韻尾同多音字問題，評估 TTS 同對嘴效果時要用自己嘅真實腳本測。
• 字幕（SRT）同音軌要分開管理，方便日後局部更新。
• 多語言版本要由同一套腳本結構出發，唔係逐語言重拍。
• 合規上，聲音複製要明確同意，生成內容要清楚標示。
• 評估前先寫低驗收標準，用小規模試做驗證，唔好淨係睇官方 demo。

點解企業培訓片對廣東話要求特別高

企業培訓片同一般宣傳片最大分別，係佢有「生命週期」。一條入職培訓片、合規培訓片、產品操作指引，可能要年年更新、部門之間共用、仲要照顧唔同語言背景嘅同事。呢個背景下，廣東話唔係「加個配音」咁簡單。

廣東話 係香港職場嘅主要口語，有 6 個聲調（教學上常講九聲六調）、入聲韻尾 -p、-t、-k，仲有大量口語字好似「嘅、哋、咗、喺、嚟」。呢啲特徵令粵語語音合成同對嘴技術，比普通話版本更考功夫。研究都指出，粵語雖然全球有約 8,490 萬母語者，但高質素標註資源長期不足（WenetSpeech-Yue 論文），所以唔同平台嘅粵語效果差異可以好大。

企業用家最怕嘅唔係「效果唔完美」，係「第日想改一句對白，成條片要重做」。所以評估任何 AI 影片平台，都要由生命週期角度入手。

企業培訓片嘅五個要求

一致性：角色同聲線要企得穩

一致性（consistency） 係指同一個虛擬講者，喺唔同集數、唔同月份嘅片入面，樣貌、聲線、語氣都維持一樣。培訓片係系列內容，如果第一集係年輕女聲，第二集突然變另一把聲，學習體驗會好唔連貫。

評估時要問三條問題：

• 平台可唔可以儲存固定嘅 avatar 同聲線設定，之後每次直接重用？
• 換咗腳本之後，個角色嘅形象同嘴型動作會唔會走樣？
• 如果要用自己公司嘅真人聲線做 clone，效果穩唔穩定？

聲線穩定性呢部分，建議睇我哋篇 粵語 TTS 聲線選擇指南，了解點樣建立一套固定嘅聲線規格。

更新：改一句對白嘅成本有幾高

培訓片最常見嘅更新需求係「政策改咗一句」「數字過時」。如果平台支援文字改動後快速重新生成，又只重新生成受影響段落，更新成本就低；如果每次都要成條片重出，成本同等待時間會慢慢累積。

實務做法係將培訓內容切成小段落管理，每段獨立生成音軌同影片，最後先拼埋。咁樣改一段就重出一段。我哋有篇 TTS 批次生成工作流 講點樣批次管理大量段落，原理一樣適用。

字幕：粵語片更需要 SRT

SRT 字幕 係一種帶時間戳嘅字幕檔案格式，可以單獨上載到播放器，唔會燒死喺畫面度。培訓片幾乎一定要有字幕，原因有三：

• 好多香港公司辦公室環境唔方便開聲音。
• 有聽障同事需要字幕先可以完整接收內容。
• 字幕文字可以用書面語，同口語旁白並存，符合香港「講廣東話、寫書面語」嘅習慣。

評估平台時，要確認字幕係自動生成定要自己對時間軸，仲要測試粵語口語轉書面語字幕嘅準確度。呢部分可以參考 口語轉書面語處理 同 TTS 配 SRT 字幕工作流。

多語言：一套腳本出多個版本

香港企業好常見嘅需求：廣東話版畀本地同事，英文版畀外籍管理層，有時仲要普通話版畀內地團隊。呢個唔係「翻譯完再錯一次」咁簡單，而係要腳本結構、章節編號、字幕時間軸全部對齊，方便日後同步更新。

例如：一條 10 分鐘合規培訓片，按每分鐘約 240 字符計，粵語旁白約 2,400 字符。你改咗第 4 章一條數字，三個語言版本都要同步改。如果平台嘅多語言流程係「每個語言獨立專案」，就要自己建立一套對照表管理，否則好易漏。

合規：聲音同意同內容標示

香港監管環境對生成式 AI 內容嘅要求越嚟越清晰。數字政策辦公室嘅《香港生成式人工智能技術及應用指引》強調透明、問責同資料保障（數字政策辦公室, 2026），私隱專員公署亦有《人工智能 (AI)：個人資料保障模範框架》（私隱專員公署, 2026）。

落到培訓片層面，最少要做：

• 如果 clone 真人聲線（例如公司資深導師），要有書面明確同意。
• 生成內容要喺片頭或片尾清楚標示係 AI 生成。
• 背景音樂、字體、圖像素材全部要清授權。
• 涉及員工個人資料嘅內容，要按私隱原則處理。

想深入了解，可以睇 香港 AI 語音合規指南 同 TTS 聲音授權與權利指南。

Synthesia 類平台點評估

Synthesia 屬於 AI 虛擬人影片平台嘅代表類別：揀 avatar、貼腳本、平台合成對嘴影片。呢類平台對企業培訓確實有吸引力，但粵語用家要問嘅問題同一般英文用家唔同。以下係一個結構化評估框架，唔針對任何單一平台嘅承諾，而係畀你驗收時逐項打勾。

評估清單

對嘴技術嘅現實

對嘴（lip sync） 係指 AI 根據音軌嘅音素，生成對應嘴型動作嘅技術。粵語嘅挑戰在於聲調唔直接改變嘴型，嘴型主要跟音素，但粵語嘅入聲短促收尾、圓唇韻母好似 yu、oe，對嘴型生成係額外考驗。學術界近年有唔少針對風格保持嘅對嘴研究，例如風格保持對嘴生成（Style-Preserving Lip Sync 論文, 2026）同個人化對嘴生成（StyleLipSync, 2026），都指向同一個方向：對嘴唔止要「啱音素」，仲要保持角色原有嘅說話風格。另有研究處理對嘴訓練資料嘅標準化問題（Lip Sync 資料標準化研究, 2026），反映呢個領域嘅資料質素直接影響輸出穩定性。

想比較唔同對嘴方案，可以睇我哋嘅 粵語對嘴完整指南、Kling 粵語對嘴實務、HeyGen 粵語虛擬人指南。

唔好淨係睇 demo

【獨家觀察】我哋接觸過嘅企業用家，最多人犯嘅錯係用平台官方 demo 判斷粵語質素。官方 demo 通常係精心揀過嘅文字，避開晒多音字陷阱同口語字。但真實培訓腳本充滿「截至」「存檔」「確認」呢類多音字，仲有中英夾雜好似「check 吓個 deadline」。根據公開資料，多音字係粵語 TTS 嘅核心難點（Cantonese G2P 論文（Interspeech）, 2026）。所以正確做法係：攞你公司最近一條培訓片嘅逐字稿，原封不動貼入去測，先見到真面目。

建議嘅評估流程

第一步：定義驗收標準

寫低一頁紙，列明「過」嘅標準。例如：指定 20 句真實腳本入面，多音字錯讀唔超過若干句、字幕時間軸誤差唔超過若干秒。冇驗收標準，評估會變成「睇落幾靚」嘅主觀感覺。

第二步：小規模試做

揀一條現有培訓片，切出 2 至 3 分鐘做試做版。記錄全程：腳本準備時間、生成時間、修改次數、字幕校對時間。呢啲數據先係真正嘅成本。

第三步：模擬一次更新

生成完之後，刻意改一句對白，睇要幾多步先出到新版本。呢一步最能反映平台啱唔啱長期使用。

第四步：合規檢查

確認聲線來源有冇授權、輸出有冇標示、素材有冇清版權。呢步唔可以省略。

常見問題 FAQ

Synthesia 支援廣東話嗎？

根據官方文件（觀察日期 2026-10-31），Synthesia 類平台對中文嘅支援以普通話為主，粵語支援程度同口音選項要逐版本核實。建議唔好靠宣傳頁，直接用自己腳本試做驗證，並留意輸出係咪出現普通話腔讀粵語字嘅情況。

廣東話培訓片一定要有對嘴畫面嗎？

唔一定。好多有效嘅培訓片係「靜態畫面＋旁白＋字幕」，重點係內容清晰。對嘴虛擬人嘅價值在於提升親切感同系列一致性，但會增加生成同校對成本。可以先做旁白版，有效果需求先加對嘴。

粵語口語腳本同書面語腳本點揀？

TTS 引擎對書面語通常表現較穩，因為讀音對應較規範；但培訓片要親切，適量口語係好事。實務做法係「主幹書面語＋關鍵位置口語」，並用標點控制停頓，可以參考 標點控制 TTS 停頓指南。

一條 10 分鐘培訓片大概幾多字？

以每分鐘約 240 字符計，10 分鐘旁白約 2,400 字符。呢個數可以用嚟估成本同試做規模。

AI 虛擬人講粵語會唔會有機械感？

視平台同腳本而定。聲調語言嘅 TTS 對語調起伏嘅處理係關鍵，可以用語調控制技巧改善，參考 粵語語調指南。任何平台都唔應該承諾「同真人無分別」，驗收時以「同事聽得明、唔覺得辛苦」為實際標準。

字幕應該用粵語口語定書面語？

建議字幕用書面語，方便閱讀同日後翻譯成英文版；旁白照講口語。呢個係香港觀眾最習慣嘅組合。

更新頻率高的培訓內容啱用 AI 平台嗎？

啱，但前提係你建立咗段落化工作流。政策類、產品類培訓更新頻繁，AI 平台嘅優勢正正係文字改動後可以快速重出。冇工作流就去用，優勢發揮唔到。

[!CTA]

想用自己腳本試廣東話 TTS？

去 港嘢 playground 貼入你嘅培訓腳本，登記送 2,000 字符（一次性），即刻聽到效果先再決定平台。

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）。