聲調語言 TTS 挑戰：點解粵語合成特別難

一句答你：粵語合成難過英文一個量級，核心原因係聲調。英文嘅音高變化只係語氣；粵語嘅音高變化係字義本身——調錯一個，字就錯咗。加上口語變調、懶音、中英夾雜三層現實，粵語 TTS 要處理嘅係一個英文 TTS 完全冇嘅維度。呢啲位做得好唔好，就係粵語語音引擎嘅真功夫所在。

好多用過國際語音平台嘅香港人都有一種講法：「啱音，但係怪。」怪嘅位通常唔係個別字音，而係成句嘅聲調面貌——平鋪直敍、抑揚錯位、似普通話口音嘅廣東話。呢篇由語言學角度拆解：聲調點解係粵語 TTS 嘅生死線，四大挑戰分別係咩，技術上難喺邊，同埋你點樣自己評估一個平台嘅聲調水平。

Key Takeaways

• 聲調語言同非聲調語言嘅根本分別：粵語嘅調係辨義單位，錯調等於錯字，冇得靠語境救
• 粵語九聲六調加三套入聲，每個音節都要帶住正確調值出嚟，冇一個位可以懶
• 口語變調（字一埋一齊唔跟本調）字典標唔齊，最考驗模型嘅「浸過香港水」程度
• 懶音係香港主流口音唔係錯誤——太教科書嘅發音反而唔似香港人
• 中英夾雜要求兩個語言系統同時精，仲要語調無縫切換
• 評估平台聲調水平：用「同字異調」對立句＋變調詞＋懶音詞三類測試句去聽

聲調係辨義單位：同英文嘅根本分別

最小對立對：一字之差

英文你講「Yes」嗰陣調揚啲定沉啲，聽到嘅都係 Yes；頂多語氣唔同。粵語唔得：「詩」（si1）、「史」（si2）、「試」（si3）、「時」（si4）、「市」（si5）、「是」（si6）——同一個音節，六個調，六個唔同嘅字。聲調喺粵語入面嘅地位等同英文嘅輔音母音：佢唔係修飾，佢係內容。呢個就係點解通用語音平台做粵語，成日「個個字都讀咗，但成句聽落唔知佢講咩」——佢哋嘅系統冇把聲調當成「內容」處理。

語調同聲調嘅疊加難題

粵語仲有一層難：句語調（成句嘅高低走向）要疊喺字聲調之上。一句問句尾音要揚，但揚嘅時候每個字嘅本調唔可以亂。呢種「調中還有調」嘅疊加結構，係非聲調語言完全冇嘅工程問題。普通話都係聲調語言，但佢只有四聲加輕聲，粵語嘅調型密度高一倍有多，仲有入聲呢套英文普通話都冇嘅短促音節。

粵語聲調系統速覽

九聲六調嘅結構

日常講法「九聲六調」：實質調值有六個（陰平高平、陰上高升、陰去中平、陽平低沉、陽上低升、陽去低平），入聲三套（陰入、中入、陽入）調值對應高、中、低，但音節短促收尾。每個字都要歸入呢個系統入面嘅一格，TTS 對每一個音節都要出正確嘅調值——冇任何一個字可以「差唔多就算」。系統嘅完整拆解睇《粵語九聲六調完全指南》。

同普通話嘅對照

兩套系統唔可以互換：普通話四聲冇入聲、調型同粵語六調冇一一對應。普通話母語者學粵語最痛嘅就係呢度——用普通話調值套粵語字，香港人一聽就知。TTS 層面同一道理：由普通話底子改出嚟嘅「粵語模式」，調型面貌始終有普通話陰影。想深入兩套系統嘅異同，可以睇粵普聲調嘅專門對照分析。

調錯嘅後果即時見

聲調建模出錯嘅音頻，問題唔係「聽落唔自然」咁溫和——係聽眾直接聽錯字。「買」（maai5）讀成「賣」（maai6），意思反轉；「貓」（maau1）讀低咗變成另一個音節嘅字。英文系統讀錯個音，聽眾靠上下文估返；粵語系統調錯，上下文有時救唔返，因為同音異調嘅字全部都係合法嘅字。

聲調建模嘅技術面：難喺邊

調值要靠大量真實語料浸出嚟

聲調唔係規則寫得出嘅嘢：同一個字喺唔同語境、唔同情緒、唔同語速下面嘅調值實現有微妙變化。呢啲變化要靠模型由大量真人錄音入面「浸」出嚟——語料唔夠，模型就只會出一條教科書式嘅平直調型，聽落死板。

上下文影響調型實現

前後字嘅調會互相影響實際發音嘅細節，一句嘢嘅調型係成句協商嘅結果，唔係逐字拼貼。建模嗰陣要令模型「睇到」成句先定每個字嘅調——呢個正正係序列建模嘅核心難度，語料越足，處理越自然。

挑戰一：口語變調——字典冇標嘅暗位

咩係口語變調

粵語有個現象：某啲字喺特定詞彙入面，會由本調轉讀另一個調（多數轉做高升調），令個詞聽落更口語、更親切。呢啲變調喺唔少詞典入面冇標，靠母語者嘅語感。例子喺日常講嘢入面隨手拈來：疊字詞、細名、一啲名詞嘅口語讀法，都有變調。

點解呢個係 TTS 嘅深水區

變調規則一半有系統、一半靠慣性——有啲詞變、有啲詞唔變，規律唔完全可預測。TTS 要處理佢，只有兩條路：靠詞彙層面嘅讀音表（一個一個詞記），或者靠大量香港日常語料嘅訓練令模型自己「聽慣」。通用平台兩樣都冇，出嚟嘅聲就係「每個字都跟本調」嘅假音——母語者一耳聽出。變調嘅機制深入版可以睇《粵語變調入門》。

挑戰二：懶音——唔標準先係主流

懶音係口音，唔係錯誤

n／l 合流（「你」「理」難分）、ng 頭脫落（「我」讀近 o）、gw／g 混合（「國」讀近 gok）——呢啲現象喺香港日常講嘢入面係主流，跨階層跨世代。將佢當「錯誤」修正到一干二淨嘅 TTS，出嚟嘅聲會過分「字正腔圓」，聽落似粵語老師朗讀課文，唔似香港人傾偈。

TTS 嘅取捨

好嘅粵語 TTS 要識分場合：資訊型內容（車站廣播、新聞）偏向清晰標準，口語內容（廣告、角色、聊天式內容）偏向自然懶音面貌。呢種「場合感」係最高難度嘅位——佢唔係技術問題，係語言生活嘅理解問題。懶音現象嘅完整討論睇《粵語懶音現象指南》。

挑戰三：中英夾雜——一秒轉兩個系統

兩個音系嘅無縫切換

「個 project 嘅 deadline 好趕，唔好 delay。」一句嘢轉兩次系統。每個英文字要用英文音系讀（連重音），粵語部分要回粵語音系連聲調，中間嘅語調曲線唔可以斷裂。通用平台常見嘅失敗位：英文字用咗廣東話聲調去讀（變成怪調英文）、或者切換位有明顯「接縫」。

語調接軌先係最難位

就算字音啱，夾雜句嘅整體語調曲線要連貫——英文段落嘅重音位置同粵語唔同，好嘅系統會將英文字融入成句嘅粵語韻律入面，而唔係粵語句入面嵌咗粒硬淨嘅英文石頭。呢個位冇大量中英夾雜真實語料訓練，好難做到自然。深入技術討論睇《粵語中英夾雜 TTS 指南》。

挑戰四：語料稀缺——結構性劣勢

世界語音資料入面粵語係小眾

訓練語音模型要大量、多樣、高質素嘅真人語音。英文資料以十萬小時計；粵語嘅公開資料量係另一個世界。通用平台嘅粵語輸出質素，反映嘅正正係呢個資料差距——佢哋唔係唔想做，係手上嘅糧草唔夠。呢個劣勢唔係一時三刻可以追返，因為語料積累係以年計嘅功夫。

專門平台嘅路數

粵語專門平台嘅做法係針對性收料：香港人、香港口音、香港話題嘅錄音，密度遠超通用資料集，而且密度係日日累積。呢個係「細市場做深」嘅打法——總量唔同平台比，粵語內部密度同佢比。聽落有冇分別？母語者一耳就知道。

由挑戰到機會：難位即係門檻

點解呢啲難位反而係好消息

四大挑戰每一樣都需要「香港語言生活嘅深度理解」——呢啲唔係錢可以即時買到嘅嘢，係長期浸喺香港語言環境先積累到嘅認知。呢個門檻令粵語市場唔會輕易俾通用大廠用資源碾壓：佢哋可以有更多算力，但冇你嘅街坊耳仔。對本土團隊嚟講，呢啲難位正正係護城河。

對內容創作者嘅意義

明啲挑戰喺邊，你揀工具、寫稿、評審嘅判斷力就唔同：你知道聽嗰陣要留意啲乜、遇到問題知道係邊層嘅事、知道邊啲可以自己改、邊啲要靠平台。呢種判斷力令你喺粵語內容製作上長期佔優。

點樣評估一個平台嘅聲調水平

三類測試句

• 同字異調對立句：造幾句含「詩／史／試／時／市／是」同「買／賣」呢類對立嘅句子，聽每個調出唔出得準
• 變調詞句：放一啲日常變調詞（疊字、細名、口語詞），聽係咪自然變調定死跟本調——變調處理係最能分辨平台功底嘅一項
• 懶音場景句：口語風格嘅稿，聽懶音面貌自唔自然、有冇「過分字正」嘅教科書味

三類都過關嘅平台，聲調功底先算真過硬。揀聲線同評估嘅完整準則，可以睇《粵語聲調對比練習》同《廣東話 TTS 比較》。

聽審要點

聽嗰陣唔好淨係聽單字——用成句成段聽，重點感受三樣：字調準唔準（會唔會聽錯字）、成句語調有冇起伏（定係一平到底）、夾雜位順唔順（有冇接縫）。最好搵兩三個母語者一齊聽，一人聽一啲位，覆蓋更齊。聽之前唔好睇文字稿，用純聽方式過一次先——母語者嘅直覺反應最準。聽完逐項記低問題出現喺邊類測試句，對症先可以判斷問題深淺。

寫稿層面幫到手嘅位

寫稿改變唔到模型功底，但可以避開最容易觸發問題嘅位：

用字避雷

稿入面盡量避免高風險多音字冇語境嘅寫法；專名第一次出現時可以用括號提示讀法（如果平台支援）。平台讀錯嗰啲位，換同義詞係最快嘅繞路。將你自己場景嘅高頻專名整理成讀音表，一次過解決長期問題。

標點即係語調指令

逗號、句號、問號直接影響成句語調曲線。想句嘢有起伏，稿本身要有正常嘅標點節奏——一氣到底嘅長句，出嚟語調一定平。段落長短都影響節奏感：兩三句一段嘅稿件，生成出嚟嘅呼吸感好過成版字一段。交稿之前自己讀一次稿，標點亂嘅位執齊先交。

常見問題 FAQ

聲調語言嘅 TTS 點解唔可以直接由普通話模型改？

普通話同粵語雖然同屬漢語，但音系、聲調結構、詞彙、口語習慣全部唔同。由普通話模型「轉語言」出嚟嘅粵語，聽落就係普通話口音嘅粵語——即係好多香港人聽過覺得怪嗰種。要做就要用粵語資料認真訓練，冇捷徑。

入聲係咪特別難處理？

入聲嘅難處在於「短促加閉音節收尾」，同英文嘅結尾音有相似但唔相同。處理唔好嘅系統，入聲字會讀得拖泥帶水，成句節奏就散。聽評估嗰陣可以特登揀啲入聲字密嘅句子（例如含「一、六、十、白、食」嘅句）。

有冇可能兩把聲同一個模型，一個自然一個生硬？

有可能。聲線嘅自然度同模型嘅聲調功底係兩件事：聲線決定音色，聲調功底決定語感。揀平台要兩樣分開驗——揀定聲線之後，用聲調測試句再過一次。聲調功底係平台層面嘅嘢，換聲線換唔到。

想訓練自己對聲調嘅敏感度，有咩方法？

用同字異調嘅最小對立對做聽辨練習（聽「詩」「史」「試」分辨係邊個），日日聽幾組，敏感度幾個星期就明顯提升。呢個都係做 TTS 聽審嘅基本功，團隊做 QC 嗰陣更加要人人都過呢關。

粵語歌詞朗讀係咪更難？

係。歌詞嘅字調同旋律音高會衝突（填詞嘅「協音」就係處理呢個衝突嘅藝術）。TTS 讀歌詞（唔係唱）嗰陣，最好按口語讀法處理，唔好跟旋律音高——不過呢個屬於內容決策，唔係引擎問題。

未來聲調 TTS 仲有咩進步空間？

方向主要有幾個：更豐富嘅香港口語語料、變調同語調嘅更細緻建模、場景化嘅風格切換（正式／口語自動適應），另外變調詞表嘅持續積累都係可行方向。每進一步，香港人聽落嘅「怪」就少一分。

[!CTA]

用你嘅耳仔判斷聲調功力

去港嘢 Playground 用「詩史試時市是」測試句同你嘅真實文稿試聽，三分鐘判斷聲調功底。