聲線設計入門教學：從零開始打造獨特角色聲音

一句答你：聲線設計（voice design）係用「性別＋年齡」兩個維度，即時生成一條唔屬於圖庫、亦唔需要參考音頻嘅聲線；佢嘅限制係每次請求獨立產生，唔會儲存成可重用資產。

Key Takeaways

• 聲線設計係三種生成模式之一（preset／design／clone），用 gender + age 兩個參數控制
• 適合「圖庫冇命中」或「想每段唔同」嘅場景，例如多角色旁白、A/B 測試
• 設計出嚟嘅聲線係 per-request，唔會入圖庫，亦冇 slug 可以重複召喚
• 同聲線圖庫共用同一個字符配額，唔另收費
• 唔需要參考音頻，所以冇聲音複製嘅私隱／授權顧慮
• 配合情緒控制同自由指示，可以再細調演繹

聲線設計到底係乜？

喺廣東話 TTS 嘅世界入面，想生成一段語音，通常有三條路：

1. 用圖庫聲線（voice） — 揀一條現成 preset，附中文名同 slug，例如「心妍」（slug: sum），穩定、可重用
2. 用聲線設計（design） — 你只俾「性別＋年齡」兩個維度，系統即時生成一條全新聲線
3. 用聲音複製（clone） — 俾一段參考音頻，生成近似嗰個人嘅聲線

聲線設計就係中間嗰條路。佢唔係「從圖庫揀」，亦唔係「模仿特定一個人」，而係由你講「我想要咩類型嘅聲線」，系統幫你砌一條出嚟。

呢個設計嘅好處係：

• 唔需要預先錄參考音頻（clone 要）
• 唔需要喺圖庫慢慢揀（preset 要）
• 每次可以唔同 — 同一段文字用 design 兩次，出嚟嘅聲線會唔一樣

如果你想了解廣東話 TTS 嘅整體框架，可以睇吓廣東話 TTS 完全指南。

聲線設計 vs 圖庫聲線 vs 聲音複製

揀邊種模式之前，先睇下三種模式嘅分別：

簡單講：

• 想穩定同一條聲 → 用圖庫
• 想每段都唔同 → 用聲線設計
• 想模仿特定人 → 用聲音複製

點樣用聲線設計？

聲線設計嘅 API 參數非常簡單——兩個維度：

• gender（性別）：通常有 male／female 等選項
• age（年齡）：例如 young／adult／senior 等區間

具體可用值以平台 /v1/docs 互動文件為準。設計好之後，呢條聲線就會用嚟讀你提交嘅 text，生成一段音頻。

幾個實際使用嘅貼士：

1. 設計完即用，唔好期望「儲住佢」

聲線設計嘅輸出係 per-request。換句話講，你今次 design 出嚟嗰條聲，下次再用同一組 gender + age，出嚟嘅會係另一條新聲，唔係同一條。所以如果你想「保存」一條特定聲線，請改用圖庫聲線（preset）。

2. 配合情緒同指示

聲線設計本身只控制「邊個類型嘅人」，唔控制「點樣演繹」。如果你想再細調，可以配合：

• 情緒控制（emotion） — 控制喜、怒、哀、樂等情緒
• 自由指示（instruction） — 用文字指示演繹方式，例如「用輕鬆啲嘅語氣」

詳細可以睇情緒控制攻略。

3. 留意 sync 限制

聲線設計可以行 sync 捷徑（≤300 字符），但如果你嘅請求超過 300 字符，或者要 SRT 字幕輸出，就要行 async 軌（POST 提交 → poll 結果）。

邊啲場景適合用聲線設計？

聲線設計唔係萬能，亦唔係每個場景都啱用。以下係幾個推薦用 design 嘅情境：

1. 多角色旁白

如果你做緊一段有好幾個角色嘅內容（例如有聲書、故事 podcast），但又唔想逐個角色都去 clone 一個人，聲線設計就啱用。你可以用 male-young、female-adult、male-senior 等組合，做出幾條唔同聲線，每段對白用唔同 design 參數。

2. A/B 測試

做市場推廣或者內容實驗嘅時候，你想試吓「女聲定男聲嘅轉化率好啲」，但又未決定長遠用邊條。聲線設計可以幫你快速生成多條測試聲線，跑完 A/B 之後再決定要唔要將嗰條聲「固化」落圖庫。

3. 內容多樣性

如果你經營嘅內容平台需要大量唔同聲線（例如用戶生成內容、多語言混合），但又唔想預先建立一個幾百條聲嘅圖庫，聲線設計可以幫你「即要即有」。

4. 私隱敏感場景

聲音複製（clone）涉及「模仿特定一個人嘅聲」，喺某啲司法管轄區或者商業場景會有私隱、肖像權、deepfake 嘅顧慮。聲線設計冇呢個問題——佢只係生成一條「類型上似某個性別年齡」嘅聲，唔係模仿任何真實嘅人。

聲線設計嘅限制

聲線設計唔係完美工具。用之前要清楚以下限制：

1. 唔可以重用

呢個係最大限制。今次 design 出嚟嗰條聲，下次再 design 唔會係同一條。如果你嘅內容需要「同一條聲喺唔同時段保持一致」（例如品牌聲、定期更新嘅 podcast），聲線設計唔啱你，請用圖庫聲線。

2. 穩定性較低

因為每次請求獨立生成，長遠嘅「聲線一致性」冇圖庫咁高。如果你嘅內容對「同一條聲」有強烈要求，呢點要考慮。

3. 細調空間有限

聲線設計只控制 gender + age 兩個維度。如果你想要更細緻嘅控制（例如「廣東話 90 年代 TVB 嗰種聲」），可能要靠：

• 自由指示（instruction）補充
• 或者直接用圖庫聲線（preset）配情緒控制

4. 唔可以「先試再儲」

聲線設計冇 slug，亦冇「儲存設計結果」嘅 API。如果你今次 design 出嚟嗰條聲好啱你聽，唯一嘅「保存方法」係將段音頻 download 落自己嘅 asset library，然後日後重用嗰段音頻（而唔係重用嗰條聲線）。

聲線設計嘅成本同配額

聲線設計同其他模式一樣，用同一個字符配額。具體嚟講：

• 估算 ≈ 240 字符／分鐘（即 2,000 字符 ≈ 8 分鐘音頻）
• 每月 5,000 字符免費額度，每月重置
• 付費方案配額按帳單週期重置（唔係月曆 1 號）
• 字符包 HK$0.80／1K 字符，最小包 HK$50

換句話講，你揀 preset、design 定 clone，成本都係一樣——只係計你輸入嘅字符數。詳細成本可以睇廣東話 TTS 定價攻略。

如果你想知揀邊種生成模式最啱你，可以參考廣東話 TTS 選購指南。

用聲線設計嘅最佳實踐

1. 先試短文，唔好一開波就丟長文

聲線設計嘅輸出有隨機性。建議先用 50–100 字符嘅短文試吓效果，確認個 gender + age 組合啱你心水，再正式用。

2. 配合 instruction 細調

如果你 design 出嚟嗰條聲「大致啱但差少少」，可以用 instruction 補充。例如：

• 「語氣慢少少」
• 「多啲情感」
• 「讀到好似新聞主播」

3. 用 A/B 測試揀選

聲線設計嘅成本同其他模式一樣，所以你可以用同一段文字跑幾個唔同 gender + age 組合，再揀最好嗰個。記住：揀完之後如果想「保存」，要將段音頻 download 落自己 asset library。

4. 留意長度限制

• text 1–500 字符：超過會被 reject，唔會截斷
• sync 捷徑 ≤300 字符：design 支援 sync，但超過就要行 async
• 批量 items ≤25 個 request bodies：超過會回 400

5. 喺 Playground 試吓

互動文件介面（/v1/docs）可以即時試聲線設計嘅效果，唔使寫 code。

聲線設計同其他功能點樣配合？

聲線設計唔係孤立功能，佢可以同其他功能疊加用：

配合情緒控制（emotion）

聲線設計決定「邊個類型嘅人」，情緒控制決定「佢而家咩心情」。例如：

• female-young + happy → 開心嘅少女聲
• male-senior + serious → 嚴肅嘅老伯聲

詳細可以睇情緒控制攻略。

配合 SRT 字幕輸出

如果你做緊有字幕嘅影片，聲線設計可以配合 srt=true 參數，生成帶時間軸嘅字幕。詳細 SRT 工作流可以睇SRT 字幕工作流攻略。

配合批量生成

如果你要一次過生成多段唔同聲線嘅內容（例如多角色有聲書），可以配合批量 API（items 參數）。注意：批量係 Pro／Studio 專屬，免費／入門 plan 帶 items 會零提交零扣費。

配合 MCP／agent 接入

如果你嘅工作流入面有 AI agent，聲線設計可以透過 MCP 接入，等 agent 可以動態決定用咩聲線。

揀聲線設計、定圖庫、定複製？

最後一個常見問題：到底揀邊種？

如果你想知三種模式喺唔同平台嘅差異，可以睇廣東話 TTS 2026 對比。

常見問題 FAQ

聲線設計出嚟嘅聲線可以儲存嗎？

唔可以。聲線設計嘅輸出係 per-request，每次請求獨立生成，唔會入圖庫，亦冇 slug 可以重複召喚。如果你今次 design 出嚟嗰條聲好啱你，唯一嘅「保存方法」係將段音頻 download 落自己嘅 asset library。

聲線設計同圖庫聲線嘅成本一樣嗎？

一樣。三種生成模式（preset／design／clone）都係用同一個字符配額，唔會因為用 design 而加收費用。成本只係計你輸入嘅字符數。

聲線設計可以行同步（sync）嗎？

可以，但有上限。Sync 捷徑只支援 ≤300 字符嘅請求，而且只支援 voice 同 design 兩種模式（clone 同 SRT 唔支援 sync）。如果你嘅請求超過 300 字符，要行 async 軌（POST 提交 → poll 結果）。

聲線設計需要參考音頻嗎？

唔需要。聲線設計只係用 gender + age 兩個維度，即時生成一條新聲線。如果你需要模仿特定一個人嘅聲，請用聲音複製（clone），但會有私隱同授權嘅考慮。

聲線設計可以配合情緒控制嗎？

可以。聲線設計決定「邊個類型嘅人」，情緒控制決定「佢而家咩心情」。兩個功能可以疊加用，例如 female-young + happy 就會係開心嘅少女聲。

聲線設計嘅穩定性點？

穩定性比圖庫聲線低。聲線設計每次請求獨立生成，所以同一組 gender + age 參數，兩次請求出嚟嘅聲線會唔一樣。如果你需要「同一條聲」長期穩定，建議用圖庫聲線。

批量生成可以用聲線設計嗎？

可以，但批量（items）係 Pro／Studio 專屬。免費／入門 plan 帶 items 會零提交零扣費。如果你要一次過生成多段唔同聲線嘅內容，可以喺 Pro／Studio plan 用批量 API。

[!CTA]

立即去 Playground 試聲線設計

聲線設計（design）可以喺 Playground 即試即聽，唔使寫 code。揀 gender + age，配合情緒同指示，即刻砌出你心目中嘅聲線。