TTS 多角色對話生成：讓 AI 配音栩栩如生的完整指南

一句答你：TTS 多角色對話，唔係叫兩個聲線輪住讀咁簡單——你要有「邊個講乜」、廣東話口語感、停頓位、情緒起伏，仲要識得用批量 API 一次過生成，否則出嚟嘅對話會似讀稿，唔似傾偈。

Key Takeaways

• 多角色對話嘅核心係「分鏡表」式文本預處理：寫明角色名、情緒、停頓、語速，先至出到自然嘅對答
• 廣東話對話要避開書面語陷阱，語氣詞、停頓位、語助詞係靈魂，唔可以當普通中文稿咁餵
• 批量 API 係做對話嘅標準做法：每句一個 job，串埋一個 audio 檔，效率高過一個 job 整段餵
• 每個角色要揀唔同聲線（voice slug），配情緒（emotion）同指示（instruction）做微調
• 多角色對話最常見嘅失敗係「TTS 變獨白」：分句唔夠細、停頓位錯、語助詞唔識讀
• 用 SRT 字幕 timestamp 可以對齊對白時間軸，方便後期剪接

點解 TTS 多角色對話唔係「兩聲線輪住讀」

好多朋友第一次接觸多角色 TTS 嘅時候，以為只要生成兩段唔同聲線嘅音頻，再喺剪輯軟件駁埋就得。聽落好合理，但實際操作就會撞牆——兩個聲線輪住讀，語速、停頓、情緒完全唔夾，聽落似「兩個人各自背稿」，唔似「兩個人傾偈」。

問題出喺邊度？出喺文本本身。

多角色對話嘅文本結構，唔同於一般旁白稿。旁白稿係一個人講晒，語速、停頓、情緒由作者控制；對話稿係兩個人或以上交替發言，每個人嘅語氣、節奏、用詞都唔同。當你將一段「A 講呢句、B 覆嗰句」嘅文字直接餵畀 TTS，TTS 引擎根本唔知道「A 講呢句」呢 4 個字係 metadata，佢會當成對白讀出嚟。

所以，做多角色 TTS 第一步，唔係揀聲線，而係整好分鏡表式文本。

分鏡表式文本：多角色對話嘅起點

所謂「分鏡表」，就係將一段對話，拆成一個個獨立嘅發言單元，每個單元包含：角色名、文本內容、情緒標記、語速要求、特殊停頓位。

用文字表達大概係噉樣：

[角色A][語氣:輕鬆] 喂，今晚食咩？
[角色B][語氣:猶豫] 唔知喎，你話呢。
[角色A][語速:稍慢] 我覺得不如食煲仔飯啦。
[角色B][情緒:開心] 好呀好呀！好耐冇食喇！

你會見到，每一句都帶住 metadata。當你將呢啲 metadata 對應到 TTS API 嘅參數，就會變成：

• [角色A] → voice=sum（或其他聲線 slug）
• [語氣:輕鬆] → emotion=casual 或 instruction="用輕鬆嘅語氣講"
• [語速:稍慢] → instruction="稍慢嘅語速"
• [情緒:開心] → emotion=happy 或 instruction="開心啲"

喺我哋嘅 廣東話 TTS 完全指南入面，已經講過 TTS 點樣分三種生成模式（voice、design、clone），而做對話最常用嘅係 voice 模式——直接用圖庫聲線，穩定、可預測、唔使額外訓練。

如果你想知多啲點樣由零開始用 API，可以睇 粵語 TTS API 快速上手。

廣東話對話嘅語言陷阱：唔可以當普通中文稿餵

廣東話對話同書面中文最大嘅分別，係語氣詞同停頓位。你可以喺 書面語 vs 口語廣東話 TTS 嗰篇文入面搵到深入比較，但呢度先講重點：

語氣詞係靈魂。「啦」、「囉」、「喎」、「嘅」、「咩」、「嘛」呢啲語助詞，係廣東話對白嘅命根。冇咗佢哋，對白會變得好「硬」，聽落似新聞報導，唔似傾偈。

例：

• 書面語：今天天氣很好，我們去公園吧。
• 廣東話對白：今日天氣幾好喎，不如去公園啦。

差唔多意思，但聽落完全唔同。

停頓位係節奏。廣東話對話會用「呀」、「㗎」、「吖」呢啲停頓詞去做思考嘅感覺。例：「你講嗰個……呀……就係嗰個咩……嗰個邊個嚟㗎？」TTS 如果讀得快咗，就會變成「你講嗰個就係嗰個邊個」，失去思考嘅感覺。

你可以用 instruction 參數指示 TTS 喺特定位置停頓，或者將停頓位直接寫入文本（例如用「、」或者全形空格表示短暫停頓，用「……」表示長停頓）。

如果你想知多啲廣東話嘅語氣詞點樣影響 TTS 輸出，可以睇 廣東話語氣詞 TTS 攻略。

仲有一個常見問題：中英夾雜。香港人傾偈，好多時會中英混雜——「你 send 咗嗰個 file 畀我未？」TTS 識唔識讀？要視乎引擎支援，但廣東話原生 TTS 通常處理得唔錯。你可以參考 廣東話中英夾雜 TTS 攻略 嘅詳細做法。

批量 API：做對話嘅標準做法

當你將對話拆成一句一句之後，問題嚟了：你係逐句生成，定係一次過生成？

逐句生成嘅問題：

1. 每次都要 round-trip API，浪費時間
2. 容易撞 rate limit
3. 要自己駁 audio 檔

一次過生成嘅問題：

1. TTS 唔知邊個角色講邊句
2. 全部用同一個聲線
3. 停頓位難控制

最佳做法：批量 API。即係將所有句子打包成一個 batch request，一次過提交，server 幫你排隊生成。

喺我哋嘅 TTS 批量生成工作流 嗰篇文，已經詳細講過點樣用批量 API。呢度重點提一提做對話嘅批量要點：

1. 每句一個 job：每個 job 帶唔同嘅 voice slug、emotion、instruction
2. 批量上限 25 個 request bodies 一次過（超過會回 400 too_many_items）
3. 批量係 Pro／Studio 專屬功能：免費或 Starter 帶 items 會回 403 batch_requires_pro，零提交、零扣費
4. 批量一次請求計一次限流：唔係每項計，所以你 25 項都唔會額外扣 rate limit 配額
5. 並行上限按方案分級：免費 3、入門 5、專業 10、工作室 20；超上限回 429 in_flight_limit_reached

如果你係免費或入門，但又想試批量，可以開 sandbox key（sk_test_ 前綴），每日有 20 個生成 call 嘅限額。詳情可以參考 免費粵語 TTS 玩法。

實戰流程：從分鏡表到 audio 檔

以下係一個完整嘅多角色對話生成流程：

步驟 1：寫好分鏡表

先將對話內容拆成獨立發言單元，每個單元包含：

• 角色名（對應 voice slug）
• 文本（純廣東話口語）
• 情緒（emotion 標籤）
• 語速（如果要特別控制）
• 停頓位（用「、」或「……」標記）

步驟 2：對應 API 參數

將每個發言單元轉成一個 API request body：

{
  "voice": "sum",
  "text": "喂，今晚食咩？",
  "emotion": "casual",
  "instruction": "輕鬆語氣，日常對話"
}

第二個發言：

{
  "voice": "ho",
  "text": "唔知喎，你話呢。",
  "emotion": "hesitant",
  "instruction": "猶豫語氣，思考中"
}

步驟 3：包成批量請求

將所有 request bodies 放入 items 陣列：

{
  "items": [
    {
      "voice": "sum",
      "text": "喂，今晚食咩？",
      "emotion": "casual"
    },
    {
      "voice": "ho",
      "text": "唔知喎，你話呢。",
      "emotion": "hesitant"
    },
    {
      "voice": "sum",
      "text": "我覺得不如食煲仔飯啦。",
      "emotion": "suggesting"
    },
    {
      "voice": "ho",
      "text": "好呀好呀！好耐冇食喇！",
      "emotion": "happy"
    }
  ]
}

步驟 4：提交 + poll job

POST 去 /v1/audio/jobs，拎到 job_id，再 GET /v1/audio/jobs/{id} 查狀態。等 status=succeeded，就會見到每個 item 嘅 audio_url。

步驟 5：後期處理

將所有 audio 檔下載，再用 ffmpeg 或者剪輯軟件駁埋。如果你想對白對準特定時間軸（例如做 YouTube 短片），可以喺批量 request 入面加 srt: true，TTS 會同時輸出 SRT 字幕檔。詳情可以睇 TTS SRT 字幕工作流。

進階技巧：情緒控制同指示

如果只用 emotion 標籤，發覺出嚟嘅情緒仲係唔夠明顯，可以加 instruction 參數做微調。喺 TTS 情緒控制攻略 入面有完整教學，呢度簡單講幾個常用 pattern：

• instruction="壓低聲線，似係喺度諗緊嘢"：做出思考感
• instruction="興奮啲，似中咗彩票"：做出極度開心
• instruction="刻意慢，每隻字都要聽得清楚"：做出鄭重宣佈
• instruction="好似嬲嬲地，但又未真係嬲"：做出「小嬲」嘅微妙情緒

instruction 係用自然語言寫嘅，你可以用廣東話寫（例如「壓低聲線」），亦可以用書面語寫（例如「用低沉嘅語氣」），視乎 TTS 引擎邊種理解得準確啲。

如果你想再進階，可以用 design 模式自訂聲線（gender + age），或者用 clone 模式複製特定聲音。詳細做法可以睇 TTS 聲音複製攻略。

多角色對話嘅成本估算

做對話嘅成本，同一般旁白唔同——你係用批量 API，每句都係一個 job。讓我哋計一計：

假設一段 2 分鐘嘅對話，平均每句 15 個字（廣東話對白通常比較短），2 分鐘大概 240 個字 × 10 倍 = 2,400 字符。

但如果你計埋 metadata 標籤、情緒指示、停頓位，實際字符數會多 20-30%。所以一段 2 分鐘對話，大概用 2,800-3,200 字符。

以各方案單價計：

• 入門 Starter：HK$0.64 / 1K 字符 → 3,200 字符 ≈ HK$2.05
• 專業 Pro：HK$0.5633 / 1K 字符 → 3,200 字符 ≈ HK$1.80
• 工作室 Studio：HK$0.4914 / 1K 字符 → 3,200 字符 ≈ HK$1.57

如果你每週做 5 段 2 分鐘對話，一個月 20 段，大概 64,000 字符，入門 plan 就夠用。

完整定價可以參考 粵語 TTS 定價攻略。

多角色對話嘅常見失敗模式

失敗 1：TTS 變獨白

最常見嘅失敗。明明有兩個角色，但聽落似同一個人用唔同語氣講。原因：兩個 voice slug 揀得太相似（例如同一個性別、同一個年齡層）。

解決方法：揀聲線嘅時候，特登揀差異大嘅組合——例如一個成年女性 + 一個少年男性，或者一個低沉男聲 + 一個高吭女聲。

失敗亢2：停頓位錯

對話入面有人講完一句，另一個人應該即刻接；但 TTS 經常會喺中間加一個長停頓，破壞節奏。

解決方法：用 instruction 控制句與句之間嘅停頓，或者後期用 ffmpeg 剪走多餘空白。

失敗 3：語助詞讀錯

「嘅」、「咩」、「啦」、「囉」呢啲語助詞，如果當成普通字符讀，會變成書面語感，失去廣東話味道。

解決方法：確保文本用純廣東話口語寫，唔好混入書面語。可以參考 廣東話多音字攻略 同 廣東話語氣詞 TTS 攻略。

失敗 4：情緒太平

每個角色講嘢都好似「播新聞」，冇情緒起伏。

解決方法：用 emotion + instruction 雙管齊下。Emotion 控制大方向，instruction 控制微調。

失敗 5：SRT 字幕對唔準

如果你用 SRT 字幕做時間軸，但字幕時間同 audio 對唔上，後期剪接會好痛苦。

解決方法：確保 SRT 嘅 timestamp 係由 TTS 引擎直接生成（用 srt: true），唔好自己手動做。

同 YouTube 配音嘅配合

如果你做嘅多角色對話係用嚟做 YouTube 短片配音（例如搞笑短劇、知識問答），可以進一步優化：

1. 用 SRT 字幕做時間軸：對白同畫面對得準，觀眾睇得舒服
2. 控制每段對白長度：YouTube Shorts 係 60 秒以內，每段對白唔好太長
3. 預留配音緩衝區：TTS 生成嘅 audio 通常會有 0.5-1 秒嘅前置空白，後期要剪走

詳細做法可以參考 YouTube 廣東話 AI 配音 同 短片廣東話配音攻略。

同人類配音嘅比較

多角色 AI 配音同人類配音比，有乜嘢優缺點？

AI 配音優點：

• 成本低（每分鐘幾蚊，唔係幾百蚊）
• 速度快（幾分鐘出 result）
• 可以無限修改（改文本再生成就得）
• 唔使約時間、唔使 studio

AI 配音缺點：

• 微妙情緒表達始終有局限
• 對白節奏有時會「機械」
• 撞到冷笑話、雙關語可能 read 錯
• 觀眾對 AI 配音嘅接受度因平台而異

詳細對比可以睇 人類配音 vs AI 配音比較。

如果你嘅用途係 YouTube 知識問答、Podcast 試水溫、廣告素材測試，AI 配音已經夠用。如果係電影、紀錄片、廣告正式版，就要考慮人類配音或人機協作。

揀選聲線嘅實用建議

做多角色對話，揀聲線係最花時間嘅一步。以下係幾個實用建議：

1. 先聽 preview clip：每個聲線都有試聽 clip，唔好靠名揀
2. 用 styles endpoint 睇演繹風格：每個聲線支援嘅演繹風格唔同，例如有啲聲線做「開心」好好，做「嬲」就好一般
3. 男女配搭最穩陣：一個男聲一個女聲，觀眾容易分
4. 避免年齡層太接近：成年男 + 少年男，觀眾可能會混淆
5. 用 design 模式自訂：如果圖庫聲線都唔啱，可以用 design 模式（gender + age）自訂

揀聲線嘅詳細方法，可以參考 粵語 TTS 揀選指南 同 粵語 TTS 2026 對比。

點樣避免「AI 味」

即使你做晒所有步驟，對白都可能會帶少少「AI 味」——即係聽落似 AI 講嘢。要減少 AI 味，可以試以下方法：

1. 文本加「瑕疵」：真實對話會有「呀」、「呃」、「咁」、「呢個」呢啲停頓詞，適量加入文本
2. 用 emotion 做出情緒波動：唔好成段對白都係同一個情緒
3. 停頓位要自然：唔好每句之間都停 1 秒，有啲要快接，有啲要慢應
4. 後期混音：用 audio editor 將音量、EQ 稍為調一調，會似真實錄音
5. 避開「完美發音」：真實人講嘢唔會每隻字都發得咁準，有少少懶音反而更自然

當然，AI 配音始終有佢嘅極限，唔好期望零瑕疵——但透過以上調整，可以將 AI 味大幅降低。

點樣做測試同迭代

做多角色對話，唔可能一次過做啱。以下係一個實用嘅測試流程：

1. 先做一段 30 秒嘅 sample：包含 2 個角色、4-6 句對白
2. 用唔同 voice slug 配搭測試：試 3-4 種組合，揀最夾嗰個
3. 用唔同 emotion 測試：睇下邊種情緒表達最自然
4. 加 instruction 微調：如果 emotion 唔夠，補 instruction
5. 後期處理：剪接、混音、加背景音樂
6. 正式生成：確認晒所有參數之後，先正式生成全段

呢個流程大概用 1-2 小時，已經可以將 AI 味大幅降低。

商業應用場景

多角色對話 TTS 喺商業上有好多應用場景：

1. YouTube 短劇 / 知識問答：成本低、迭代快
2. Podcast 試水溫：先做 AI 版測試反應，反應好再請真人
3. 廣告素材 A/B 測試：同一個劇本做 5 個版本，睇邊個反應最好
4. 教育內容：角色扮演教學、語言學習
5. 客服 IVR：多角色對答式客服系統
6. 有聲書 / 廣播劇：多人有聲書製作

每個場景嘅成本同要求都唔同，可以參考 粵語 TTS 完全指南 入面嘅應用場景分析。

多角色對話嘅未來趨勢

TTS 多角色對話呢個領域，仲有好大發展空間。目前嘅限制包括：

1. 聲線數目有限：圖庫聲線唔係無限，要靠配搭組合
2. 情緒表達有局限：微妙情緒（例如諷刺、自嘲）仍然難做
3. 對白節奏有時機械：句與句之間嘅節奏唔夠自然
4. 背景聲效要後期加：TTS 只生成對白，背景聲要自己整

但隨住技術進步，多角色 TTS 嘅質素只會越嚟越好。如果你而家開始試用，半年後可能已經可以做到「接近真人」嘅水平。

總結

TTS 多角色對話，唔係一個單純嘅「技術操作」，而係一個「文本設計 + 聲線配搭 + 情緒控制 + 後期處理」嘅綜合工程。

要做好，有幾個關鍵：

1. 分鏡表式文本預處理：將對話拆成獨立發言單元，每個單元帶 metadata
2. 廣東話口語化文本：語氣詞、停頓位、語助詞係靈魂
3. 批量 API 一次過生成：效率高、成本可控
4. 聲線配搭要有差異：避免兩個聲線太似
5. emotion + instruction 雙管齊下：控制情緒表達
6. 後期處理不可少：剪接、混音、加字幕

如果你想即刻試下，可以去 Playground 揀兩個唔同聲線，輸入幾句廣東話對白，睇下出嚟效果。

常見問題 FAQ

問題 1：TTS 多角色對話同一般旁白，最大分別係乜？

最大分別係文本結構。一般旁白係一個人講晒，語速、情緒由作者控制；多角色對話係兩個或以上角色交替發言，每個角色嘅語氣、節奏、用詞都唔同。直接將「A 講呢句、B 覆嗰句」嘅文字餵畀 TTS，引擎會當成對白讀出嚟，唔會分到角色。所以要做好多角色對話，第一步係將文本拆成分鏡表式結構，每句帶 metadata（角色、情緒、停頓）。

問題 2：可以用 sandbox key 試多角色對話嗎？

可以。免費同 Starter 計劃都可以開 sk_test_ 前綴嘅 sandbox key，每個帳號每日有 20 個生成 call 嘅限額。呢個額度係 per-account 計算，唔係 per-key，所以唔可以開多把 key 嚟「灌水」。Sandbox key 只計生成 submission，poll 同 download 唔計。當你升級去 Pro 或 Studio，現有 sandbox key 會自動變 full key，唔使重新建立。

問題 3：批量 API 一次可以提交幾多句對白？

批量 API（items 陣列）一次最多 25 個 request bodies。如果超過 25 個，會回 400 too_many_items。如果你要做一段對白，每句一個 job，25 句對白大約係 1-2 分鐘嘅對話內容。如果超過 25 句，可以分批提交，但要留意 rate limit（預設 60/min per key）。另外要注意，批量（items）係 Pro 同 Studio 專屬功能，免費或 Starter 帶 items 會回 403 batch_requires_pro，零提交、零扣費。

問題 4：多角色對話點樣控制句與句之間嘅停頓？

有幾個方法。第一，用 instruction 參數指示 TTS 喺某啲位置停頓，例如「喺問句之後停 0.5 秒先接下一句」。第二，將停頓位寫入文本，用「、」（短停頓）或者「……」（長停頓）標記。第三，後期用 ffmpeg 或剪輯軟件自己加停頓，或者剪走多餘空白。實戰中最常見嘅做法係結合 instruction 同後期處理，因為 TTS 對停頓位嘅控制有時唔夠精確。

問題 5：點樣避免 TTS 將語助詞（嘅、啦、囉）讀成書面語？

最重要係文本本身要用純廣東話口語寫，唔好混入書面語。如果文本寫得好地道，TTS 通常可以正確讀出語助詞。但如果發現 TTS 將「嘅」讀成「de」而非「ge3」，可以用 instruction 提示 TTS 用廣東話讀，例如「用香港廣東話讀」。亦可以參考 廣東話語氣詞 TTS 攻略 嘅詳細教學。如果有特定字讀錯，可以喺稿度標低呢個位，喺後續測試逐個調整發音。

問題 6：多角色對話嘅成本點計？

成本同一般旁白類似，都係按字符計。一段 2 分鐘嘅對話大概用 2,800-3,200 字符（連 metadata）。以各方案單價計，入門 Starter 每千字符 HK$0.64，專業 Pro 每千字符 HK$0.5633，工作室 Studio 每千字符 HK$0.4914。批量 API 唔額外收費，都係按字符計。完整定價可以參考 粵語 TTS 定價攻略。如果對話中夾雜情緒指示、停頓位等 metadata，字符數會比純文本多 20-30%，要預留配額。

問題 7：可以將多角色對話配上 SRT 字幕做 YouTube 短片嗎？

可以。你只需要喺批量 request 入面加 srt: true，TTS 引擎會同時輸出 SRT 字幕檔，每句對白都有對應嘅 timestamp。SRT 字幕嘅時間軸同 audio 對得準，後期剪接會方便好多。詳細做法可以睇 TTS SRT 字幕工作流 同 YouTube 廣東話 AI 配音。如果做 YouTube Shorts，建議每段對白控制喺 60 秒以內，每句對白唔好太長，保持節奏明快。

仲有問題？

[!CTA]

即刻去 Playground 試做一段多角色對話

揀兩個唔同聲線，輸入幾句廣東話對白，親耳聽下 AI 點樣做粵語傾偈——唔使信用卡，開戶即享每月 5,000 字符試玩。