長文旁白生成指南：從架構到語氣的完整實作流程

一句答你：長文旁白生成 = 將過萬字稿切成 ≤500 字符一段、批量提交、再合併嘅系統化流程；唔係一鍵搞掂，亦唔係丟入去等佢自己跑。

Key Takeaways

• 長文旁白要分段，每段上限 500 字符，超過會被 reject 唔會截斷
• 批量 (items) 係 Pro／Studio 專屬，免費／入門帶 items 會零提交零扣費
• 跨段一致性靠固定 slug、style、emotion、instruction；唔好每段換聲線
• 配額按字符計費，唔按段數；10 分鐘旁白 ≈ 2,400 字符
• SRT 字幕幫長文聽眾對位，async 軌先支援
• 合併後一定要聽 QC，AI 唔保證零瑕疵

長文旁白係咩？同短片配音有咩分別？

長文旁白（long-form narration）通常指 5 分鐘以上、甚至成個鐘嘅連續語音內容：Podcast、有聲書、線上課程錄音、產品長片解說、紀錄片旁述、企業培訓教材等等。

同十幾秒嘅短片配音相比，長文有三個明顯差異。

第一，字數規模差幾十倍。一段 30 秒短片可能 100–200 字符；一個鐘 Podcast 可以去到 14,000 字符以上。規模差幾十倍，意味住你唔可以「一段過」——API 對單次 text 嘅限制係 1–500 字符（廣東話 TTS 完全指南有講過呢個上限），超過會直接回 400 text_too_long，唔會自動截斷，job 連 queue 都入唔到。

第二，一致性要求高。短片換聲線冇咩所謂，長文就唔得——聽眾聽 20 分鐘後如果發現聲線／情緒／語速飄移，會即刻出戲。所以長文需要喺分段前就鎖定 slug、style、emotion、instruction 呢啲參數，全段用同一套。

第三，後製工序長。短片可能直接 export 就用；長文要合併音檔、對位 SRT、QC 聽全段、可能再 re-generate 某幾段。呢個工序鏈係長文獨有嘅，唔可以 skip。

字數限制同分段策略

單段上限 500 字符

每個 request body 嘅 text 字段係 1–500 字符。呢個係硬限制，唔係軟限制——超過就 400 text_too_long，job 唔會落 queue、唔會扣字符。同步捷徑（sync shortcut）上限仲細，只有 300 字符，只支援 voice 同 design 模式。

如果你嘅稿係 Word／Google Docs 寫嘅，可以：

Buffer 留幾多？ 建議每段留 50–80 字符 buffer，例如目標 450 字符就停手。咁可以避免標點、emoji、特別字符令實際字數超標。仲有，唔好以為「差幾個字」可以博一博——API 係嚴格 500，唔會通融。

點切段先合理？

唔係亂切。要按語意切：

• 一個完整句子完結先 cut（唔好半句切，會讀到怪）
• 段落之間留 1–2 個換行／句號當 boundary
• 避免喺「嘅」「咩」「啦」呢啲粵語語氣詞中間切（會斷到讀音）
• 數字、英文專名、人名盡量放同一段（避免跨段讀錯）
• 訪問稿可以每條問題一段、每條答案一段——天然有 boundary
• 敘事文（故事、課程）可以每個場景／每個 sub-topic 一段

如果你嘅稿係訪問稿（Q&A 形式），呢個切法最自然。如果你嘅稿係敘事文，記得每段開頭留返少少 context（時間、地點、人物），等 AI 讀嘅時候聽眾唔會迷失。

批量生成工作流

當你有十幾、二十段要生成，逐段 POST 然後逐個 poll 會搞到天光。呢個時候就要用批量。

API 嘅批量模式係 request body 入面用 items 數組，最多 25 個 request bodies。超過會回 400 too_many_items。批量驗證係全有或全無——任何一項無效都會回 400 invalid_items，唔會部分提交。

⚠️ 重要限制：批量係 Pro／Studio 專屬。免費同入門 plan 帶 items 嘅請求會直接零提交、零扣費——即係你以為提交咗，但其實冇 job。error log 會見到 403 batch_requires_pro。

如果你係免費／入門用戶想試批量：

• 開把 sandbox key（sk_test_ 開頭），每日 20 個生成 call 額度（per-account 共享，跨所有 keys 計）
• 或者直接逐段 POST——慢但 work
• 升級 Pro 後現有 key 即時自動變 full，唔使重新申請

如果係 Pro／Studio 用戶，批量嘅好處：

• 一次請求落 25 段
• 計一次 rate limit（唔係每段計）
• 一次 poll 攞齊所有 job_id
• 適合「先全部 submit，再等晒 done」嘅 workflow

詳細嘅批量 workflow 同 error handling，可以睇 TTS 批量生成工作流。

在途任務上限

就算用得批量，你同一時間可以 pending 嘅 job 數都有限：

超上限會回 429 in_flight_limit_reached（body 有 limit + active 兩個字段）。Studio 20 個其實已經夠一般長文 Podcast 一次過 submit。如果你想同時 run 兩個長文項目，就要 plan 好排隊。

跨段一致性：點樣保持聲線統一？

長文最易出戲就係聲線飄移。聽咗 20 分鐘發現「咦，個聲線好似換咗人」，就 GG。以下係保持一致嘅 checklist。

1. 鎖定 voice slug

每段都用同一個 voice slug（例如 sum、keung）。slug 係 ASCII 穩定 id，唔會因為介面語言變。中文名只係 display 用，API 一定要用 slug。唔好段 A 用 sum、段 B 試 keung——聽落會好怪。

2. 鎖定演繹風格

如果用 style 參數（例如「嚴肅」「輕鬆」），全段用同一個。如果想某段特別嚴肅（例如轉場到沉重話題），可以局部換，但要喺段頭段尾留 buffer，唔好突然變。風格切換太突兀會令聽眾以為換咗個 channel。

3. 鎖定情緒

emotion 參數一樣——全段預設一個 base emotion（例如 neutral），局部段落（例如故事高潮）先 override。情緒控制嘅細節可以睇 TTS 情緒控制攻略。

4. 用 instruction 鎖定語速、停頓

instruction 字段可以寫「保持穩定語速，每句之間停半秒」之類。全段用同一條 instruction 係最穩陣嘅做法。如果想某段加快（例如緊張場面），可以局部 override，但一樣要 gradual transition。

5. 設計／複製聲線嘅注意

如果你用 design（gender + age）或者 clone（參考音頻），要留意：

• 呢兩種模式出嘅聲線係 per-request——唔會儲存成可重用 asset
• 即係你每段都要重新傳 design 參數或者 clone 嘅 reference audio
• 如果 reference audio 唔同段唔同，clone 出嚟會唔同聲線
• 所以 clone 嘅 reference 要預先揀好、儲好，每段都用同一份

詳細嘅聲線設計同複製可以睇 聲線複製攻略。

SRT 字幕同長文配合

長文 Podcast／有聲書嘅聽眾好多時會想對住文字聽——尤其係訪問稿、課程、語言學習內容。SRT 字幕就係幫手對位。

API 嘅 SRT 模式：

• srt=true 行 async 軌（唔可以用 sync 捷徑）
• sync 撞到 srt=true 會回 400 srt_not_supported_sync
• async 嘅 job 完成後，下載嘅會係字幕檔或者音檔 + 字幕檔

長文用 SRT 嘅好處：

• 聽眾可以 jump 到特定時段
• 訪問稿可以對返邊條問題
• 語言學習可以逐句對位
• 聾人／聽障朋友可以讀字幕

詳細嘅 SRT workflow 可以睇 TTS SRT 字幕工作流。

成本估算：長文要幾多字符？

長文最常見嘅問題係「我呢個鐘嘅 Podcast 要幾錢？」

估算基準：≈ 240 字符／分鐘（產品裁定，2026-10-01）。舊值「10,000 ÷ 12 ≈ 833」已經廢——快過吉尼斯中文語速世界紀錄，唔合理。

注意：以上係估算，實際會因為語速、停頓、重複而唔同。如果你嘅稿有大量停頓（例如訪問稿嘅「嗯」「咁」「即係」），字符會用多啲。

如果你嘅長文係有聲書（即係 10+ 小時），工作室 plan 嘅字符包加購會更化算——字符包 HK$0.80／1K 同價，最小包 HK$50 = 62.5K 字符。記得港嘢冇超額收費—講配額用完就完，要加量就買字符包。

詳細定價可以睇 廣東話 TTS 定價攻略。

API vs Playground：長文點揀？

兩者配額1:1 共用（即係 API 用咗嘅字符，Playground 都會扣），所以唔使擔心「兩邊走數」。

長文通常嘅 workflow：

1. Playground 試聲線、style、emotion、instruction（用 200–300 字嘅 sample）
2. 確定參數後，喺 API 鎖死
3. 批量 submit 全稿（每段 ≤500 字符）
4. Poll 到 done（用 GET endpoint，唔限流）
5. 下載合併（注意 audio_url 時效）
6. QC 聽全段

如果你想再慳時間，可以喺 Playground 試完直接 copy 參數去 API request body，唔使重新輸入。

常見陷阱

陷阱 1：以為可以一鍵過 5,000 字

API 唔會幫你自動切段。你要自己切。切錯（例如半句）會讀得好怪，仲要 re-generate 嗰段，浪費字符。

陷阱 2：免費／入門用戶帶 items

會零提交、零扣費。睇 error log 會見到 403 batch_requires_pro。要麼升級 Pro／Studio，要麼逐段 POST，要麼用 sandbox key（每日 20 個 call）。

陷阱 3：audio_url 過期

• Materialized（audio library）嘅 pre-signed URL：1 小時過期
• 直接由 generation worker 出（未 materialize）：7 天過期

如果你打算擺長文喺 server 慢慢聽，記得 materialize 或者 re-poll 攞新 URL。Job queued／processing 中，同 failed／cancelled 時，audio_url 唔存在——唔好假設 download URL 一定有。

陷阱 4：跨段聲線唔一致

每段換 slug、換 style、換 emotion——聽落會好怪。鎖死參數係長文基本功。建議喺 script 開頭 comment 寫低「本稿用 slug=sum, style=neutral, emotion=neutral, instruction=保持穩定語速」，跟住每段都參考。

陷阱 5：忘記 QC

AI 生成嘅音檔唔保證零瑕疵。長文一定要全段聽一次，發現問題段就 re-generate 嗰段（保留 slug/style/emotion/instruction 唔變）。如果問題段多，可能要諗下係咪 instruction 寫得唔夠清楚。

陷阱 6：Rate limit 撞牆

預設 60/min per key。如果你瘋狂 submit（例如 25 段批量 × 多個 batch），會撞 429 rate_limit_exceeded。睇 Retry-After header 等幾秒再 retry。或者開多把 key 分擔（記得每 key 都有自己嘅 60/min 窗口）。

陷阱 7：同步捷徑撞牆

POST /v1/audio/speech 而家恆回 503 pool_cold。即係 sync 捷徑而家唔可用，長文一定要行 async 軌。如果你想用 sync，記得而家係壞嘅。

長文 vs 配音：點揀？

如果你嘅內容係：

• 5 分鐘以下：用 短片粵語配音 思路，逐段搞掂
• 5–30 分鐘：長文，但可以手動分段，唔一定要批量
• 30 分鐘以上：一定要批量 + 統一參數 + SRT + QC

如果你嘅內容係訪問、課程、有聲書——基本上都係 30 分鐘以上嘅長文，呢篇嘅 workflow 直接啱用。如果你嘅內容係 YouTube 影片解說，可以參考 YouTube 粵語 AI 旁白——雖然都係長文，但 YouTube 嘅長度同節奏會唔同，需要更密集嘅 re-hook。

如果你嘅內容係企業培訓或者產品長片解說，可以參考 粵語配音／旁白攻略——配音同旁白嘅 workflow 有少少唔同，配音通常對位 video frame，旁白通常 free-form。

點樣開始？

如果你未試過，可以：

1. 喺 Playground 試一段 200 字嘅稿，揀聲線、style、emotion
2. 確定參數後，去 廣東話 TTS API 快速上手 跟 quickstart
3. 寫 script 切段（每段 ≤500 字符，留 50–80 buffer）
4. 用 API 提交（單條或者批量）
5. 下載合併、QC

長文唔難，難嘅係一致性同工序。鎖死參數、批量提交、全段 QC——呢三步做齊，長文就穩。

常見問題 FAQ

長文旁白一定要用 API 嗎？

唔一定。Playground 都可以逐段搞掂，但如果你有 20+ 段，API 嘅批量會慳好多時間。免費／入門用戶冇批量，可以用 sandbox key（每日 20 個 call）或者逐段 POST。

一段可以幾長？

API 單段上限 500 字符。超過會 400 text_too_long，唔會截斷。sync 捷徑上限 300 字符，只支援 voice 同 design 模式。

點樣避免聲線飄移？

每段都用同一個 voice slug、同一個 style、同一個 emotion、同一條 instruction。唔好段段換。建議喺 script 開頭 comment 寫低參數，跟住每段參考。

批量一次可以幾多段？

最多 25 個 request bodies。超過回 400 too_many_items。批量只計一次 rate limit。批量只係 Pro／Studio 專屬，免費／入門帶 items 會 403 batch_requires_pro。

點樣計長文成本？

基準 ≈ 240 字符／分鐘。10 分鐘 ≈ 2,400 字符；1 小時 ≈ 14,400 字符。睇 定價攻略 計實際 plan 單價。港嘢冇超額收費，配額用完要加量就買字符包。

音檔 URL 幾耐過期？

• Materialized（audio library）：1 小時
• 直接由 generation worker 出（未 materialize）：7 天

過期要 re-poll 攞新 URL。Job queued／processing 中或者 failed／cancelled 時，audio_url 唔存在。

長文一定要 SRT 嗎？

唔一定。但如果你嘅內容係訪問、課程、語言學習，SRT 會幫聽眾對位好多。SRT 係 async 軌先支援，sync 撞到 srt=true 會回 400 srt_not_supported_sync。

免費額度夠唔夠試長文？

每月 5,000 字符（月月重置），大約等於 21 分鐘旁白。夠你試 1–2 段長文 sample。要做正式長文就要升級 Starter（200,000 字符／帳單週期）或以上。記得付費配額係帳單週期重置（跟用戶自己嘅訂閱日），唔係月曆 1 號。

---

[!CTA]

開始你嘅第一段長文旁白

揀聲線、貼段稿、即試即聽——Playground 免費開戶每月有 5,000 字符試玩。