語音合成原理入門：TTS 點樣將字變聲

一句答你：TTS 將文字變語音，行嘅係三大階段——文字前端（搞清楚每個字點讀）、聲學模型（計出呢句嘢應該咩聲）、聲碼器（將聲學訊號變成真正嘅音頻波形）。粵語特別難，因為九聲六調、多音字、懶音、中英夾雜樣樣都係陷阱。

你貼一段字入去，幾秒之後出嚟一把講廣東話嘅聲——呢個過程入面發生咗咩事？唔識原理，你會覺得係魔術；識咗原理，你會明點解同一句稿喺唔同平台出嚟品質可以差十萬八千里，仲會知揀平台嗰陣要聽啲乜、遇到讀音問題應該由邊度入手。呢篇用普通人嘅語言拆解成個流程，唔使工程背景都睇得明。

Key Takeaways

• TTS 三大階段：文字前端（決定讀咩）、聲學模型（決定咩聲）、聲碼器（變成波形）
• 文字前端最難嘅位係「消歧」：多音字、數字、符號、縮寫，全部要靠上文下細判斷點讀
• 粵語有九聲六調加三套入聲，聲調錯一個，字就變咗另一個字——識錯聲即係識錯字
• 懶音（n／l 不分、ng 頭脫落）同中英夾雜係香港日常，TTS 要學識「自然嘅唔標準」
• 長文後半段走樣（語調越嚟越平）係穩定性問題，同單句質素係兩回事
• 平台品質差異嘅根源：訓練資料入面粵語佔幾多、係咪粵語專門優化

三大階段：由文字到聲音

第一階段：文字前端（搞清楚每個字點讀）

你俾佢嘅係「字」，佢要出嘅係「音」。呢一步要做嘅嘢多得嚇你一跳：數字要展開（「3,000」讀「三千」、「15/10」讀「十月十五號」還是「十五比十」？睇上文）、縮寫要解碼（「HK$」讀「港幣」）、符號要處理（「&」讀「同」定「和」）、多音字要消歧（「重量」定「重新」？）。呢個階段叫做正規化加讀音轉換，係成個系統嘅地基——地基錯，後面嘅聲音幾靚都係讀錯字。

第二階段：聲學模型（計出聲音應該係咩樣）

知道咗每個字嘅讀音之後，模型要計出「呢句嘢聽落應該係點」：每個音節幾長、音高點變、邊度停頓、語氣係平定起伏。呢啲資訊會變成一系列隨時間變化嘅聲學特徵。現代嘅神經網絡模型直接由文字端到端學出呢啲特徵，訓練資料入面真人語音越多、越多樣，模型嘅「語感」就越好。

第三階段：聲碼器（特徵變波形）

最後一步係將聲學特徵變成真正嘅音頻波形——即係可以播出嚟嘅聲。聲碼器嘅質素決定音頻「乾唔乾淨」：差嘅聲碼器會有金屬聲、水聲、雜音。呢個階段技術上已經相當成熟，現代系統入面，你聽到嘅「機械味」多數唔係聲碼器嘅問題，而係上一階段嘅語感問題。

粵語特別難嘅五個位

九聲六調：聲調就係字本身

普通話四聲，粵語九聲六調——六個基本調值加三套短促嘅入聲。關鍵在於：粵語嘅聲調唔止係語氣，係字義本身。「詩、史、試」係三個字，「絲、市、時」又係三個字。TTS 讀粵語，聲調出錯等於讀錯字，冇得靠聽眾腦補。呢個同英文完全相反——英文嘅語調錯咗，聽眾知你講咩；粵語嘅聲調錯咗，聽眾聽到嘅係另一個字。想深入了解聲調系統，睇《粵語九聲六調完全指南》。

多音字：一個字幾個讀法

粵語多音字嘅密度好高：「重」有兩個讀法兩個意思、「會」字喺唔同詞入面讀法唔同、人名地名更加係重災區。文字前端嘅消歧要靠詞語搭配同上下文判斷——判斷錯，讀音就錯。呢個位係唔同 TTS 品質分野最大嘅地方之一，想知邊啲字最易中伏，睇《廣東話多音字攻略》。

懶音：唔標準先似香港人

香港日常講嘢：n 讀 l（「你」同「理」分唔清）、ng 頭脫落（「我」讀近 o）、gw 讀 g（「國」讀近 gok）。呢啲俗稱懶音嘅現象，喺香港係主流口音，唔係錯誤。一個 TTS 如果讀得太「教科書」，字字圓正，香港人反而覺得怪——似內地劇配音多過似街坊講嘢。好嘅粵語 TTS 要識得喺合適嘅場合呈現自然嘅口語面貌。

中英夾雜：一秒轉兩個系統

「將個 file send 咗俾個 client 先」——香港日常一句嘢入面中英交替好多次。TTS 要做到無縫：英文字照英文讀，粵語部分照粵語讀，仲要語調連貫唔突兀。呢個對模型嘅要求係「兩個語言系統都要精」，通用多語言模型多數兩邊都唔夠深。深入討論睇《粵語中英夾雜 TTS 指南》。

變調：字一埋一齊就唔跟本調

粵語仲有一層：口語變調。有啲字喺特定詞彙入面會轉讀另一個調（好多時係轉高升調），令詞聽落更口語、更親切。呢種現象字典未必標齊，TTS 要靠詞彙層面嘅學習先處理到。呢個位處理得好唔好，母語者一聽就知道個系統有冇「浸過香港水」。

由文字到讀音：粵語點樣標注

粵拼係中間語言

TTS 處理粵語，內部要將中文字轉成讀音標注——粵語最通行嘅標注系統係香港語言學學會嘅粵語拼音方案（Jyutping），可以用 jyutping.org 查到細節。你唔使識拼，但知道呢層嘅存在就會明白：TTS 嘅讀音錯誤，好多時係呢層「字轉音」嘅錯，唔係聲音本身嘅錯。想查單字讀音，香港中文大學人文電算研究中心嘅粵語審音配詞字庫係好用嘅參考。

專名係持續戰場

人名、品牌名、地方名嘅讀法，好多時唔跟字典：藝人名要跟官方讀法、地方名有約定俗成嘅古音。TTS 系統用讀音詞典處理呢啲例外，詞典越貼地，讀出嚟越自然。呢個就係點解本地團隊做嘅粵語 TTS 會喺專名位明顯佔優——啲例外日日喺耳邊，唔使研究先知。

聽出問題之後：一個簡單嘅排查框架

先分清問題喺邊一層，先至唔會落錯藥。三個層次嘅症狀唔同、解法唔同：

讀音錯 → 文字前端層

聽到讀錯字（多音字讀錯、專名亂讀、數字讀怪），問題喺「字轉音」層。處理方法：改寫文字、用平台嘅讀音標注功能、或者建議平台加詞典。呢類問題係可以修嘅，唔使換平台。

語感怪 → 模型層

字全部讀啱，但成句聽落似機械人、語調冇起伏、停頓位置怪——呢個係聲學模型嘅語感問題，你喺文字層面冇得救。唯一嘅解法係換訓練得更深嘅平台，即係粵語專門嘅模型。

雜音底噪 → 聲碼器層

聲音入面有金屬聲、水聲、沙沙聲，係聲碼器或者音頻處理層嘅問題。現代平台已經少見；見到的話，係平台工程水平嘅紅燈訊號。

交稿之前：一段稿嘅四步優化

呢四步唔使逐篇做足，但重要稿（對外發佈、客戶會聽到嘅）一定要行齊：

第一步：掃多音字同專名

將稿入面嘅多音字圈出（重、會、教、參……），確認每個讀法都係你想要嘅；專名逐個查讀音。呢步五分鐘，省返十次重生成。

第二步：數字日期口語化

日期寫「十月九號」唔好寫「10/9」；時間寫「下晝三點」唔好寫「15:00」；金額連單位。你點樣講，就點樣寫。

第三步：標點檢查

長句拆短、該停頓嘅位加逗號、段落唔好一浸過長；問句用問號、語氣重嘅位用驚嘆號，語調會跟住正路行。標點就係你嘅指揮棒。

第四步：試生成、聽、修

先生成最難嗰段（專名最多、最長嗰段），聽完冇問題先整篇生成。唔好成篇生成完先發現要改——分段思維由測試嗰刻就開始。

長文穩定性：半個鐘之後仲係唔係同一把聲

點解長文會走樣

長音頻嘅常見問題：開頭幾分鐘狀態大好，去到中後段語調越嚟越平、節奏越嚟越急，聽落似「趕收工」。呢個係模型喺長序列上面保持語境一致性嘅能力問題，同單句質素係兩個維度。要評估一個平台嘅長文能力，一定要生成十分鐘以上嘅內容聽全段，單句範例完全測唔出。

分段生成係工程解法

穩妥嘅長文做法係分段生成（每段幾百字），再拼接音頻。段與段之間嘅一致性由「同一把聲線、同一組參數」保證，每段獨立生成仲可以單獨重出——改一章唔使重生成成本書。呢個方法已經係有聲書同課程製作嘅標準做法。

點解平台之間品質差咁遠

訓練資料決定上限

語音模型嘅品質直接反映訓練資料嘅量同質：粵語真人錄音喺世界語音資料入面係少數語言，通用平台攞到嘅粵語資料有限，出嚟嘅聲就「似普語化嘅粵語」；粵語專門平台由零開始收粵語資料訓練，母語者一聽就分辨到。

優化方向唔同

通用平台嘅目標係一百種語言都「可用」；專門平台嘅目標係粵語「好用」——前者平均主義，後者極致主義。你嘅受眾全部係香港人，平均主義嘅六十分就唔夠用。由原理推返落嚟嘅揀平台檢查位：訓練語料以粵語為主定附帶、有冇香港專名讀音積累、長文穩定性、變調同懶音嘅口語面貌。

點樣評價一個 TTS

三個維度

用你自己嘅文稿驗

範例句個個平台都揀靚嘅俾你聽。真正嘅驗證係攞你自己嘅真實文稿——有你嘅專名、你嘅行話、你嘅中英夾雜——貼入去聽。三分鐘嘅親耳試聽，好過一個鐘嘅範例比較。有關音質嘅深入講解，睇《粵語 TTS 音質指南》。

常見誤解

讀音啱唔代表聽得舒服

讀音正確係及格線，自然度係優良線。「每個字都啲但成句好似機械人」係典型嘅通用平台表現——音段層面對，但韻律層面冇魂。聽評價嗰陣要聽成句成段，唔係聽單字。

標點係韻律提示，唔係裝飾

逗號係短停頓、句號係長停頓、問號令語調上揚——標點係俾 TTS 嘅韻律提示。同一篇稿，標點齊整嘅版本同懶標點嘅版本，生成出嚟係兩個質素。寫稿俾 TTS，標點要當語法用。

常見問題 FAQ

TTS 同聲音複製係咪同一樣嘢？

唔係。標準 TTS 用預先訓練好嘅聲線（圖庫聲線或者按條件設計嘅聲線）；聲音複製係用某個真人嘅參考音頻，生成出似佢嘅聲。原理有重疊，但授權要求完全唔同——複製涉及真人聲音權利，一定書面同意。揀工具嗰陣兩樣都要分開聽。

點解同一句字，今次同上次生成有少少唔同？

生成過程帶有隨機性成分，同一文稿嘅多次生成可以有輕微差異。大多數場景冇影響；要嚴格一致嘅場景（遊戲、品牌聲音），生成一次之後將音頻檔存好再用，唔好每次重生成。

粵語 TTS 會唔會讀到簡體字？

讀得——簡體同繁體對 TTS 嚟講係字形問題，轉換到讀音層面之後冇分別。不過書面用字習慣唔同會影響語感：港式口語詞（「乜嘢」「搞掂」）喺簡體文本入面少見，生成出嚟嘅語言風格就會偏書面。堅持繁體稿出粵語聲，語感先最貼香港。

AI 語音同真人配音差距仲有幾遠？

短句、旁白、資訊型內容，現代粵語 TTS 已經好貼近真人質素；長對白、強情緒演技、唱歌，仍然係真人優勢位。務實分工：資訊型同高頻更新嘅內容交俾 AI，品牌旗艦片同戲劇演出保留真人。

聽到某個字讀錯，可以點處理？

三條路：改寫文字（換同義詞、加提示字）、用平台嘅讀音標注或者指令功能（如果有）、或者向平台反映加讀音詞典。遇到讀音錯誤唔好淨係硬食——錯音直接影響可信度，一定有辦法處理。

學原理對揀工具真係有用？

有用。你識得分「讀音錯」同「語感僵」兩種問題，就知道邊啲可以靠讀音詞典解決、邊啲係模型本質問題要換平台。揀工具嘅判斷力，就係由呢啲分辨力嚟。原理識得越多，俾供應商呃到你嘅空間就越細。

[!CTA]

親耳聽吓原理變成嘅聲

去港嘢 Playground 貼一段你自己嘅文字，聽吓粵語原生嘅合成質素係咩水平。