廣東話聲音複製（voice clone）教學：由樣本到出聲 🎙️

一句答你：廣東話聲音複製（voice clone）就係——你提供一段參考音頻樣本，AI 學住嗰把聲嘅音色同語氣，之後用呢把聲讀你畀嘅任何文字。前提同底線只有一樣：嗰把聲你要擁有權利或已獲當事人同意。港嘢 Playground 開戶即享每月 5,000 字符，即刻試到。

「AI 複製把聲」呢件事，2026 年已經唔再係科幻。創作者想有自己嘅「第二把聲」、企業想要統一嘅品牌旁白、老師想做粵語教材示範 — 呢啲都係聲音複製（voice clone）嘅正當用法。同時，呢項技術亦因為「可以模仿任何人」而帶嚟風險，所以呢篇會用好大篇幅講規矩，唔止講點用。

如果你連廣東話 TTS 係咩都未熟，建議先睇《點樣用 API 生成地道粵語語音》嘅功能總覽，再返嚟睇呢篇專講「複製」嘅教學。

Key Takeaways

• 聲音複製係「以參考樣本學一把聲」 — 同 preset（揀現成聲線）、design（用性別／年齡描述生成）係三條唔同嘅路
• 流程四步：準備樣本 → 提交 clone 請求 → 輪詢取結果 → 使用；clone 唔支援同步捷徑，要行 async 軌
• clone 需要專屬權限（tts:clone scope）；生成出嚟嘅聲線只用於該次請求，唔會儲存成可重用資產
• 樣本質素決定成品質素：乾淨、無背景噪音、講得自然係重點（具體時長以官方 API 文件為準）
• 同意係硬底線：只可以複製你自己、或者已獲明確授權嘅聲音；名人同他人聲音一律要授權
• 港嘢四個方案（含免費）都開放聲音複製功能；免費開戶有每月 5,000 字符（月月重置）額度

聲音複製係咩？同 preset／design 有咩分別？

一句分別：preset 係「揀」一把現成聲、design 係「描述」一把新聲、clone 係「複製」一把真實存在嘅聲。三者嘅輸入完全唔同。

三條路一次請求只可以揀一條。功能總覽同 API 細節睇《點樣用 API 生成地道粵語語音》。

一個要記住嘅特性：clone 出嘅聲線唔會儲存

港嘢嘅設計同複製聲線都係 per-request — 即係話，每次請求你都帶埋樣本（或參數），平台唔會將複製出嚟嘅聲線儲存成一個可以之後重用嘅資產。所以你嘅樣本要自己保管好，重用時再提交就得。

點解要用 clone，唔直接搵現成聲？

三個實際理由：品牌一致性（企業用同一把「品牌聲」出所有內容）、個人品牌（創作者用自己把聲，但唔想每次親自錄）、特定語域（你嘅稿有一種特定口吻，現成聲線夾唔到）。

四步完成一次聲音複製

① 準備參考樣本（乾淨、自然、有逐字稿更好）
        ↓
② 提交 clone 請求（async：POST /v1/audio/jobs）
        ↓
③ 輪詢任務（GET /v1/audio/jobs/{id}）取 audio_url
        ↓
④ 下載使用（mp3／wav），可同步出 SRT 字幕

第一步：準備一段好嘅參考樣本

樣本質素係成敗關鍵。三個原則：

1. 乾淨：無背景音樂、無回音、無雜音。用手機喺安靜房間錄已經夠 — 唔使專業錄音室
2. 自然：用你平時講嘢嘅語速同語氣讀，唔好刻意「朗誦」
3. 有逐字稿更好：平台會內部自動轉錄樣本；如果你提供逐字稿（prompt_text），會覆寫自動轉錄嘅版本，達致最高準確度

具體嘅樣本時長、支援格式同上限，以官方 API 文件現行列示為準。下面係「好樣本同差樣本」嘅實際分別：

第二步：提交 clone 請求（async 軌）

clone 唔支援同步捷徑（同步端點會回 clone_not_supported_sync），要用 async 端點：

B64=$(base64 -w0 sample.wav)

curl -X POST https://canto-gen.com/v1/audio/jobs \
  -H "Authorization: Bearer $CANTOGEN_API_KEY" \
  -H "Content-Type: application/json" \
  -d "{
    \"model\": \"cantogen-tts\",
    \"clone\": {
      \"reference_audio\": \"data:audio/wav;base64,$B64\",
      \"prompt_text\": \"呢段係參考音訊嘅逐字稿。\"
    },
    \"text\": \"用我把聲講呢句嘢。\"
  }"

兩個要點：你的 API key 要有 tts:clone 權限（冇嘅話回 403 insufficient_scope）；提交成功回 202 加一個 job_id。完整 API 入門睇《粵語 TTS API 快速上手》。

第三步：輪詢任務，取回音頻

用 job_id 輪詢 GET /v1/audio/jobs/{id}，狀態會由 queued → processing → completed。完成後回應會帶一個 audio_url：

• 任務仲喺排隊／處理中，或者失敗／取消 → 冇 audio_url
• 由生成直接出嘅 URL 有時效；過期就再輪詢攞新嘅
• 下載唔使另加認證（URL 本身已簽名）

第四步：使用 — 加字幕、調語氣、批量出

拿到音頻之後，你可以：

• 同步出字幕：生成時開 SRT，語音同字幕一次過出，唔使逐句對軸。流程睇《TTS 加 SRT 字幕》
• 調語氣：用情緒參數同自由指示控制演繹。睇《TTS 情緒控制實作》
• 批量出：一次過提交多個請求（付費方案功能），適合把同一把聲應用落大量文字

三個常見誤解

誤解一：複製聲一次，以後唔使再交樣本

唔係。港嘢嘅複製聲線係 per-request — 平台唔會將複製出嚟嘅聲儲存成可重用資產。所以每次生成你都要帶埋樣本（或者用返你自己保存嘅樣本）。呢個設計對私隱反而係好事：平台唔會長期持有你嘅聲紋。

誤解二：聲音複製等於「整一個分身」

唔係。Clone 只係學到一把聲嘅音色同基本語調，佢唔會學到嗰個人嘅思想、判斷、或者即場反應。你複製出嚟嘅係「讀稿嘅能力」，唔係「一個人」。

誤解三：只要有樣本，乜聲都複製得到

唔係。樣本質素差（有雜音、太短、朗誦腔）出嚟嘅效果會打折。另外，某啲聲線本身嘅特質（例如極高音域、特殊唱腔）複製難度會高啲。先試，再判斷 — 唔好用一句「AI 做唔到」就否定。

同意同權利：用之前一定要問清楚

呢一節比上面任何一節都重要。聲音係可以識別到特定人士嘅個人特徵，複製聲音涉及嘅唔止技術問題。

你可以複製邊啲聲音？

• ✅ 你自己把聲 — 你擁有自己嘅聲音，最直接
• ✅ 已獲明確授權嘅聲音 — 當事人書面同意，講清用途
• ⚠️ 同事／朋友把聲 — 就算係熟人，都要先攞同意
• ❌ 名人、公眾人物 — 除咗有明確授權，否則唔好 非 ❌ 任何用嚟冒充、誤導、詐騙嘅用途 — 違法，亦違反服務條款

港嘢服務條款明確要求：如你上載參考音頻，你聲明並保證你已取得該音頻及其中被錄音人士嘅必要同意同授權。呢個唔係形式，係實際責任。

出街之前嘅自律清單

□ 呢把聲係我自己，定我已獲授權？
□ 用途係唔係當事人同意範圍之內？
□ 內容會唔會令人誤以為係真人講？
□ 如果平台要求申報逼真 AI 內容，我申報咗未？

有疑問就唔好做。技術上做得到，唔等於應該做。

咩情況應該用聲音複製（同唔應該）

應該用

• 個人品牌創作者：用自己把聲出片，但唔想每次開咪
• 企業品牌聲：統一嘅粵語旁白，由一位同事錄一次樣本、之後量產
• 教育同無障礙：老師用自己把聲出教材語音；為內容提供一致嘅語音版本
• 遊戲／互動內容：需要同一角色聲線嘅大量對白（要確認演員授權）

唔應該用

• 模仿名人或他人聲音做任何商業用途（未授權）
• 製作令人誤信為真人發言嘅內容
• 任何冒充、詐騙、誤導用途

複製之後點用：三個實際場景

複製好一把聲之後，實際會點用？三個最常見嘅場景：

場景一：創作者嘅「第二把聲」

你自己把聲，但唔想每次親自開咪。做法係錄一段代表性樣本，之後所有影片旁白都由複製聲出。好處係出片唔再受「今日狀態」限制；要留意嘅係樣本一旦定咗，之後所有內容都會帶住嗰把聲嘅特質，所以第一次揀樣本要認真。

場景二：企業品牌聲

企業統一用一位「品牌聲」 — 由同事錄一次樣本（並簽妥授權），之後所有產品片、教學、公告都用同一把聲。呢個做法令品牌聽感一致，同時避免每次搵唔同人錄音帶嚟嘅差異。

場景三：教育／無障礙讀稿

老師錄一段自己把聲嘅樣本，之後教材改版就可以直接用複製聲重出，唔使每次重新錄。對需要為內容提供語音版本嘅無障礙場景，呢個做法亦令聽感保持穩定。

複製效果唔理想？四個排查方向

複製出嚟唔似，多數唔係「工具唔得」，而係下面四樣其中一樣：

一個實用原則：先用同一段文字分別試幾段唔同樣本，你就會知邊段樣本最「上聲」。

樣本保存乘管理：三個實務習慣

複製係 per-request，所以樣本管理係你自己嘅事。三個習慣令你日後順好多：

1. 樣本命名帶日期同用途：例如 2026-10-08_自己把聲_安靜房間.wav。當你手上累積幾段樣本，冇命名系統就會撈亂
2. 同時保存逐字稿：將樣本對應嘅逐字稿存埋一齊。下次提交時直接複製貼上（prompt_text），唔使再聽一次打一次
3. 樣本要備份兩處：雲端加本機各一份。樣本係你嘅「聲音資產」，唔見咗要重新錄

呢啲習慣睇落瑣碎，但你做過幾十次複製之後，會發現最花時間嘅唔係生成，而係「搵返上次嗰段好嘅樣本」。

團隊協作要點

如果係團隊共用一把「品牌聲」，建議將樣本同逐字稿放喺共用位置，並註明：

• 呢段樣本由邊位錄（授權來源）
• 授權範圍（內部用／對外用、期限）
• 最後更新日期

呢三項寫清楚，就算日後有人離職或者交接，都唔會出現「唔知把聲係邊個、用得唔用得」嘅疑問。

工具比較：邊啲平台有聲音複製？（全部標觀察日）

「待核實」係紀律，唔係懶 — 冇親眼喺官方頁見到嘅，一律唔填。想睇九平台逐項對比，睇《廣東話 TTS 大比拼 2026》。

常見問題 FAQ

聲音複製係咩原理？需要幾長嘅樣本？

原理係：平台由你嘅參考音頻學到嗰把聲嘅特徵，之後用呢把聲讀你畀嘅文字。樣本方面，愈乾淨、愈自然愈好；具體時長同格式要求以官方 API 文件為準（本文依數字紀律唔寫未列入產品事實表嘅數值）。

複製自己把聲，合法嗎？

複製自己嘅聲音冇問題 — 你擁有自己嘅聲音。要留意嘅係使用情境：唔可以用嚟冒充他人、誤導或者違法用途。如果你打算喺公開內容用，亦要遵守發佈平台對逼真 AI 內容嘅申報要求。

我想複製同事把聲做公司旁白，可以嗎？

可以，但一定要先攞當事人明確同意，講清楚用途同範圍。口頭講唔夠穩陣，最好有書面紀錄。如果佢離職或者撤回同意，你要有能力即刻停用。

複製出嚟嘅聲線會唔會儲存喺平台？

唔會。港嘢嘅複製聲線係 per-request — 每次請求都用你提交嘅樣本，平台唔會將佢儲存成可重用嘅聲線資產。所以樣本要自己保管，重用時再提交。

複製嘅聲可以配字幕、做批量嗎？

可以。同一般生成一樣，開 SRT 就同步出字幕；批量提交（一次過多個請求）係付費方案功能。想知免費額度點試得最抵，睇《免費廣東話 TTS 點玩》。

複製把聲要幾錢？

睇你用幾多字符。港嘢係字符制：中文字話英文字母、數字每個算 1 字符，標點同空白免費。四個方案（包括免費）都開放聲音複製功能。免費開戶送每月 5,000 字符（月月重置），入門方案 HK$128／月有 200,000 字符。詳情睇《廣東話 TTS 價錢點計》。

下一步：先由自己把聲開始

聲音複製最有價值嘅第一個實驗，唔係複製名人，係複製你自己。錄一段自己平時講嘢嘅樣本，複製出嚟，聽下似唔似、邊個位差啲 — 呢個實驗既安全，又即刻畀到你一個可以量產嘅「自己」。感受到威力之後，你就會自然明白點解「同意」呢兩個字咁重要。