廣東話 TTS 聲線點揀？由零開始嘅四個維度實戰指南

一句答你：揀廣東話 TTS 聲線唔係揀「把聲好聽」咁簡單，而係揀「邊把聲最啱你段內容」——先睇語料類型（新聞／教學／廣告／故事），再睇性別年齡，再睇演繹風格，最後用情緒同自由指示收尾，每一步都影響成段 audio 嘅質素。

Key Takeaways

• 廣東話 TTS 聲線分三大來源：聲線圖庫（preset）、聲線設計（design）、聲音複製（clone），三種各有適用場景
• 揀聲線第一步唔係聽 demo，而係寫低你段稿嘅類型同目標聽眾，否則容易揀到一把「好聽但唔啱用」嘅聲
• 同一段文字喺唔同聲線演繹下，可以由「新聞主播」變「KOL 傾偈」，關鍵在於 style、emotion、instruction 三個維度
• API 用 voice（slug）或者 design（gender + age）兩種方式揀聲線；clone 模式要 tts:clone scope
• 免費／入門 plan 可以開 sandbox key 試揀聲線，但每日限 20 個生成 call，夠晒測試
• 揀聲線冇「最好」，只有「最啱呢段稿」——所以每個新項目都應該由零揀過，唔好貪方便

廣東話 TTS 聲線點揀：一份由零開始嘅實戰指南

揀廣東話 TTS 聲線，係每個用 TTS 做內容嘅人都會撞到嘅問題。市面聲線幾十把，preset、design、clone 三種模式，加埋 style、emotion、instruction 三層參數，搞到新手一頭煙。呢篇文會由「點解揀錯聲線會搞死成段 audio」講起，逐步拆解每個維度，等你下次開新項目可以慳返幾個鐘嘅 trial-and-error。

揀聲線之前，有一樣嘢一定要搞清楚：TTS 嘅「聲線」唔係一個獨立嘢，而係「文字 + 語音模型 + 參數」三樣嘢夾埋嘅結果。同一個聲線檔（slug），你畀佢一段書面語廣東話同一段口語廣東話，出嚟嘅效果可以差好遠。所以揀聲線嘅核心唔係「揀把聲」，而係「揀一套適合你內容嘅組合」。

下面我哋會由聲線類型講起，一路講到實際 API 點樣 call。

揀聲線前要先做嘅兩步準備

好多人一打開聲線目錄就即刻逐個試聽，聽咗十幾把聲之後越嚟越亂，最後隨便揀一把交功課。如果你唔想咁，可以先做兩步準備。

第一步：寫低你段稿嘅類型

稿嘅類型決定咗語速、語氣、停頓、情緒等所有參數。廣東話 TTS 常見嘅稿類型有幾種：

• 新聞報導類：例如財經摘要、體育賽報、天氣報告。呢類稿要求語速穩定、發音清晰、情感中立，唔可以太浮誇。
• 教學講解類：例如網上課程、操作教學、語言學習。呢類稿要求語速稍慢、停頓多、發音標準，方便聽眾跟住讀或者做筆記。
• 廣告推廣類：例如品牌短片、產品介紹、促銷廣告。呢類稿要求情緒鮮明、語速有變化、感染力強。
• 故事敘述類：例如有聲書、Podcast、兒童故事。呢類稿要求有角色感、情緒起伏、節奏感強。
• 客服對話類：例如 IVR 語音、自動化通知、FAQ 語音回覆。呢類稿要求語氣親切、發音清楚、唔好太機械化。

你段稿屬於邊一類，會直接影響你揀邊把聲。例如教學稿用咗廣告聲線，聽眾會覺得太「賣嘢」；新聞稿用咗故事聲線，聽眾會覺得太「講古仔」。

第二步：諗清楚目標聽眾

同一段稿，畀後生仔聽同畀長者聽，揀聲線嘅準則唔同。後生仔可能接受中英夾雜、潮語、語速快；長者可能鍾意標準廣東話、語速慢、發音傳統。

呢一步決定咗你揀聲線嘅「年齡層」同「語言風格」。例如你做緊一個畀 50+ 嘅健康資訊 channel，就唔應該揀一把太 juvenile 嘅聲線。

做完呢兩步準備，你已經可以由幾十把聲線縮窄到 3–5 把候選。跟住落去就係聲線類型嘅選擇。

廣東話 TTS 聲線三大類型：preset、design、clone

港嘢嘅聲線來源分三種，每種有唔同嘅用法同限制。

聲線圖庫 preset：開箱即用嘅最穩陣選擇

聲線圖庫係平台預先訓練好嘅廣東話聲線，每把聲線都有一個 ASCII slug（例如 sum、keung）作為穩定識別碼，加埋中文名（心妍、阿強）方便喺介面揀。

圖庫聲線嘅好處係：

• 開箱即用，唔使上傳任何參考音頻
• 風格穩定，每段 output 嘅質素一致
• 支援 preview clip，可以先試聽
• 每把聲線都有支援嘅演繹風格（styles），可以微調

圖庫聲線嘅限制係：

• 唔可以度身訂造，如果你想要一把「好似我老闆把聲」嘅聲線，做唔到
• 數量有限，揀完就係嗰幾把

如果你係第一次用 TTS、或者要做一個長期項目（例如 YouTube channel、有聲書系列），圖庫聲線係最安全嘅起點。

聲線設計 design：自由組合性別年齡

聲線設計模式唔係揀一把預設聲線，而係用 gender（female / male）+ age（child / young_adult / adult / middle_aged / elderly）兩個維度，即時生成一把聲線。

呢種模式嘅好處係：

• 彈性高，可以配搭出圖庫冇嘅組合（例如中年女聲、少年男聲）
• 適合做大量唔同角色嘅項目（例如多角色有聲書）
• 唔使事先準備任何嘢

聲線設計嘅限制係：

• 同一個 gender + age 組合，每次生成出嚟嘅聲線可能唔同
• 輸出嘅聲線係 per-request，唔會儲存成可重用 asset
• 風格穩定性比 preset 稍遜

聲線設計適合用喺「要好多唔同角色」嘅項目，例如多角色 Podcast、互動故事。如果你要做嘅係單一敘事者嘅長期項目，preset 會更穩陣。

聲音複製 clone：神似但有限制

聲音複製模式係上傳一段參考音頻（通常 10–30 秒），TTS 會用呢段音頻嘅聲紋，生成類似聲線嘅 output。

clone 模式嘅好處係：

• 可以還原特定人物嘅聲線（要合法授權）
• 適合做 IP 化嘅內容（例如品牌吉祥物聲線、創作者個人化 TTS）

clone 模式嘅限制同注意：

• 要 tts:clone scope，API key 建立時要開
• 參考音頻質素直接影響 output
• 唔支援 sync 捷徑（≤300 字符直接出 audio 嗰個 mode）
• 沙盒 key 帶 tts:clone scope 嘅情況，建議自己實測清楚先用
• 出嘅聲線都係 per-request，唔會儲存

如果你要做嘅係「老闆把聲」、「KOL 把聲」，又或者你有一個固定 narrator 想用佢把聲做大量內容，clone 係唯一方法。但要留意版權同倫理問題——複製任何人嘅聲線之前，記得攞授權。

揀聲線嘅四個維度：性別、年齡、風格、情緒

揀完聲線類型之後，落嚟就係具體參數。以下四個維度係廣東話 TTS 揀聲線嘅核心。

維度一：性別（gender）

廣東話聲線通常分 female、male 兩大類。表面睇好簡單，但實際應用上要考慮：

• 受眾性別傾向：美妝、瑜伽、親子 channel 多數用女聲；體育、財經、科技 channel 多數用男聲
• 內容中性程度：完全中性嘅內容（例如新聞報導），男女聲線都可以
• 多角色項目：男女聲線搭配可以增加層次感

如果用 design 模式，性別係必要參數；如果用 preset 模式，性別已經內建喺 slug 入面。

維度二：年齡（age）

年齡維度直接影響「氣場」。廣東話 TTS 常見年齡層有：

• child：小朋友聲，適合兒童故事、幼教內容
• young_adult：後生聲，適合潮流、遊戲、Z 世代內容
• adult：成年聲，最通用，新聞、教學、廣告都啱用
• middle_aged：中年聲，適合財經、商業評論、深度分析
• elderly：長者聲，適合長者內容、懷舊題材、傳統工藝

年齡錯配係最常見嘅新手錯誤。例如用 child 聲講財經分析，聽眾會覺得好兒戲；用 elderly 聲講潮流 Podcast，聽眾會覺得好 outdated。

維度三：演繹風格（style）

style 係 preset 模式專屬嘅參數，每把聲線支援嘅 style 都唔同。Style 決定咗「把聲用咩方式講嘢」，例如：

• 新聞主播風格（語速穩定、發音清晰、情感中立）
• 對話風格（語速自然、語氣親切、似傾偈）
• 朗誦風格（抑揚頓挫、節奏感強）
• 廣告風格（情緒飽滿、感染力強）
• 故事敘述風格（有角色感、情緒起伏）

揀 style 嘅原則好簡單：用內容類型直接配對。新聞稿揀主播風格，廣告稿揀廣告風格，故事稿揀敘述風格。

API 入面，每把聲線嘅 style 可以用 GET /v1/voices/{slug}/styles 攞到完整列表。

維度四：情緒（emotion）

emotion 係另一層參數，獨立於 style。Style 決定「點樣講」，emotion 決定「帶咩情緒講」。常見 emotion 有：

• neutral（中立）
• happy（開心）
• sad（傷心）
• angry（嬲）
• excited（興奮）
• calm（平靜）
• serious（嚴肅）

emotion 用得好可以大幅提升感染力。例如一段產品廣告稿，如果 emotion 揀 excited，配合廣告風格，會比 neutral 更加入肉。

但要留意，情緒唔係越大越好。情緒太強（例如全套 angry）會令聽眾覺得做作；情緒太弱（例如全套 neutral）會令內容好悶。原則係：情緒強度應該同內容嘅戲劇性成正比。

用 API 揀聲線：實際點 call

揀聲線唔淨止係喺 Playground 撳撳吓，仲要識得用 API。廣東話 TTS 揀聲線嘅 API 主要用以下幾個 endpoint：

攞聲線目錄

GET /v1/voices 會回傳所有 preset 聲線，每把聲線都會附帶 preview clip URL。呢個 endpoint 唔限流，無限撳都得。

攞某把聲線嘅 style 列表

GET /v1/voices/{slug}/styles 會回傳特定聲線支援嘅 style，例如：

GET /v1/voices/sum/styles

回傳可能係：["news", "conversational", "narration", "advertisement"] 之類。

用 preset 生成

POST /v1/audio/jobs，body 用 voice 欄加 slug：

{
  "text": "今日天晴，最高氣溫二十八度。",
  "voice": "sum",
  "style": "news"
}

用 design 生成

POST /v1/audio/jobs，body 用 design 欄加 gender + age：

{
  "text": "今日天晴，最高氣溫二十八度。",
  "design": {
    "gender": "female",
    "age": "adult"
  },
  "style": "conversational"
}

用 clone 生成

POST /v1/audio/jobs，body 用 clone 欄加參考音頻 URL，同 API key 要有 tts:clone scope：

{
  "text": "今日天晴，最高氣溫二十八度。",
  "clone": {
    "reference_audio_url": "https://example.com/sample.mp3"
  }
}

要注意嘅係，clone 模式唔支援 sync 捷徑（≤300 字符直接出 audio 嗰個），一定要行 async 軌（POST → 收 job_id → poll）。

揀 API 嘅方式，喺我哋嘅 TTS API 快速上手指南 入面有更詳細嘅 step-by-step。

沙盒 key：免費用戶嘅揀聲線測試場

如果你係免費或者入門 plan，又想試下唔同聲線嘅效果，可以開 sandbox key 試。沙盒 key 嘅限制：

• 每日限 20 個生成 call
• 計數係 per-account，跨所有 key 共享（防開多把 key 灌水）
• 只計生成 submission，poll / download 唔計
• 超額回 429

20 個 call 聽落好似好少，但實際測試揀聲線，20 次已經夠用：通常你會揀 3–5 把候選聲線，每把試 3–4 段唔同類型嘅稿，咁就 15–20 次。

沙盒 key 用 sk_test_ 前綴，正式 key 用 sk_live_ 前綴。開 key 嘅時候 testMode 揀 true 就係沙盒。

揀聲線嘅常見錯誤同點避免

即使你做足準備，都可能會撞到以下常見錯誤。

錯誤一：揀咗一把「好聽但唔啱用」嘅聲

好多人揀聲線嘅標準係「我覺得把聲好聽」，但事實係「好聽」同「啱用」係兩回事。一把好聽嘅聲，如果語速太慢、情緒太強、風格太浮誇，喺新聞稿就會變成笑話。

避免方法：每次揀聲線之前，先諗清楚稿嘅類型，寫低「我需要把聲做到咩效果」（例如「要清晰、要中立、要有權威感」），然後對住呢條 checklist 揀。

錯誤二：所有內容都用同一把聲

如果你做緊一個 channel，有時新聞稿、有時教學稿、有時廣告稿，唔應該全部用同一把聲。每種稿類型都應該有對應嘅聲線。

避免方法：建立一個「聲線 — 稿類型」對照表，預先揀定 2–3 把聲線 cover 唔同場合。

錯誤三：忽略 style 參數

好多人用 preset 嘅時候，以為揀完 slug 就完事，忽略咗 style 參數。但其實 style 直接決定「點樣講」，對 output 質素影響極大。

避免方法：每次用 preset 之前，記得查 GET /v1/voices/{slug}/styles，睇下有咩 style 可以揀，然後逐個試。

錯誤四：emotion 揀錯

情緒揀錯係最常見嘅「離譜」情況。例如一段溫馨故事，emotion 揀咗 angry，成段 audio 就會變得好恐怖。

避免方法：emotion 嘅預設值係 neutral，如果你唔肯定點揀，就用 neutral。情緒呢家嘢，加錯好易，減錯難。

錯誤五：clone 模式亂用

好多人以為 clone 可以解決一切（「反正可以複製任何把聲」），但其實 clone 模式有最多限制同最多倫理風險。

避免方法：preset > design > clone，呢個係預設優先級。除非你真係有特定人物嘅聲線需要，先用 clone。

揀聲線嘅實際工作流

綜合上面所有維度，我建議嘅工作流係咁：

Step 1：寫低內容類型同目標聽眾（5 分鐘） Step 2：用 GET /v1/voices 列出所有 preset，根據性別年齡縮窄到 5 把以內（10 分鐘） Step 3：每把候選聲線，撳 preview clip 試聽（5 分鐘） Step 4：用 sandbox key 每把聲線試 2–3 段真實稿（20 分鐘） Step 5：揀出最啱嘅 1–2 把聲線，記低對應嘅 style 同 emotion（5 分鐘） Step 6：開始大量生成（生產階段）

成個流程大概 45 分鐘，已經可以揀到一把滿意嘅聲線。

如果你想更深入了解點樣用 API 揀聲線，可以參考我哋嘅 TTS anchors 攻略，入面有更多 API 細節。

揀聲線 vs 揀工具：點樣平衡

揀聲線嘅時候，好多人都會糾結「到底用邊間 TTS 平台好」。事實上，聲線嘅選擇同平台嘅選擇係兩回事。

聲線嘅選擇係「呢段稿用邊把聲最好」，呢個係內容問題；平台嘅選擇係「邊間平台最啹我哋個 workflo啱」，呢個係工具問題。

我哋建議嘅做法係：

• 先確定內容需求：稿類型、聽眾、預算、生產量
• 再試唔同平台嘅聲線：用同一段稿，喺唔同平台生成，比較效果
• 最後揀平台：根據聲線質素 + API 易用性 + 定價 + 額度綜合決定

詳細嘅平台比較，可以睇我哋嘅 廣東話 TTS 對比 2026 同 廣東話 TTS 選購指南，入面有更詳細嘅分析。

廣東話 TTS 揀聲線嘅特別考慮

廣東話做 TTS 比普通話複雜，因為廣東話有自己嘅語音特色：

多音字問題

廣東話有大量多音字，例如「行」可以讀 haang4（行走）或者 hong4（銀行）。TTS 揀錯讀音成段 audio 就會好怪。

呢個問題可以透過 廣東話多音字攻略 解決，透過預處理或者錨點（anchor）標記讀音。

語氣詞

廣東話有大量語氣詞（嘅、咩、㗎、喇、啦、喎、囉、嘛、呀、吖、喎、㗎），呢啲語氣詞係廣東話嘅靈魂。TTS 如果讀得唔地道，成段 audio 就會好似「外國人講廣東話」。

詳細嘅語氣詞處理，可以參考 廣東話語氣詞 TTS 攻略。

書面語 vs 口語

廣東話有書面語同口語兩套系統，例如「咁樣」vs「這樣」、「邊個」vs「誰」。揀聲線嘅時候，要考慮段稿係書面語定口語。

詳細嘅書面語 vs 口語處理，可以睇 書面語 vs 口語廣東話 TTS。

中英夾雜

香港人講嘢好興中英夾雜（code-switching），例如「我 send 個 file 畀你」、「佢好 chill 啊」。如果 TTS 處理唔到中英夾雜，成段 audio 就會好生硬。

詳細嘅中英夾雜處理，可以睇 廣東話中英夾雜 TTS 攻略。

預算有限嘅揀聲線策略

如果你嘅預算有限（例如得免費額度或者入門 plan），揀聲線嘅策略要調整。

免費 plan 嘅揀聲線策略

免費 plan 開戶有每月 5,000 字符（月月重置）（每月重置），配額唔會每個月重置。所以要審慎使用。

建議：

• 用 2,000 字符做 4–5 段唔同類型嘅稿，每段 400–500 字符
• 全部用同一把候選聲線，唔好貪心試太多把
• 揀完聲線之後，記低 slug、style、emotion，下次再用

入門 plan 嘅揀聲線策略

入門 plan 每帳單週期有 200,000 字符，配額跟住你嘅訂閱週期日重置（唔係月曆 1 號）。

建議：

• 200,000 字符足夠試 20–30 把聲線 × 5–10 段稿
• 預先用沙盒 key 試晒再升級做正式生成
• 詳細嘅預算規劃，可以參考 廣東話 TTS 定價 同 免費廣東話 TTS 玩法

如果你揀緊 plan，可以參考 廣東話 TTS 完整指南 入面嘅方案比較。

揀聲線嘅長線優化

揀聲線唔係一次過嘅事，而係一個持續優化嘅過程。以下幾個習慣可以幫你長線做得更好。

建立聲線資料庫

每次揀完一把新聲線，記低：

• 聲線 slug 或者 design 參數
• 適用嘅稿類型
• 最佳 style 同 emotion
• 試聽範例

呢個資料庫可以幫你下次有新項目嘅時候，快速對應。

A/B 測試唔同聲線

如果你做緊一個有回饋機制嘅 channel（例如 YouTube、Podcast），可以做 A/B 測試：同一段稿用唔同聲線，睇下邊個聲線嘅觀眾互動率最高。

留意平台更新

TTS 平台會定期加入新聲線、新 style。隔一段時間（例如每季）撳一次 GET /v1/voices，睇下有冇新嘅選擇。

收集聽眾回饋

如果你嘅 channel 有留言區，定期睇下聽眾對把聲嘅評價。「把聲好機械」係其中一個常見負評，呢個信號話你知要換聲線或者加 emotion。

揀聲線嘅最後一塊拼圖：自由指示（instruction）

除咗 slug、design、style、emotion 之外，仲有一個參數叫 instruction（自由指示）。Instruction 係畀 TTS 嘅文字指令，例如：

• 「用廣東話口語講」
• 「語速慢少少」
• 「加多啲停頓」
• 「用新聞主播嘅語氣」

Instruction 係最後一塊拼圖，可以補 slug、style、emotion 嘅不足。例如你揀咗一把 neutral 嘅聲線，但想佢帶少少親切感，可以加 instruction「語氣親切啲，似朋友傾偈」。

但 instruction 唔係萬能嘅。如果 slug 揀錯、style 揀錯，再多 instruction 都救唔返。Instruction 係微調工具，唔係補鑊工具。

揀聲線嘅心態：接受「冇完美」

最後想講一個心態問題。揀廣東話 TTS 聲線，唔會有「完美」嘅聲線。任何一把聲線都會有缺點：

• 有啲聲線發音標準但語氣生硬
• 有啲聲線語氣自然但讀多音字會錯
• 有啲聲線情緒豐富但語速太慢

接受呢個事實，然後根據你嘅優先級（清晰 > 自然？ 自然 > 情緒？）揀最啱嘅聲線。如果你嘅優先級係「清晰」，就唔好因為某把聲線「好聽」而放棄更清晰嘅選擇。

揀聲線係一場取捨，唔係揀完美。

常見問題 FAQ

點知一把聲線啱唔啱我嘅稿？

最直接嘅方法係用同一段稿喺唔同聲線生成，然後逐個試聽。建議每把聲線試 3–5 段唔同類型嘅稿（短、中、長各一段），先可以全面評估。

應該用 preset 定 design？

如果你要嘅係「一把通用嘅聲線」用喺長期項目，用 preset；如果你要嘅係「好多唔同角色」用喺多角色項目，用 design。Preset 穩定，design 彈性。

揀咗聲線之後可以隨時換嗎？

可以。聲線係每次 request 嘅參數，唔係帳號設定。你可以在唔同 request 入面用唔同聲線。但如果你嘅 channel 需要一致性，建議用同一把聲線。

Sandbox key 可以試晒所有聲線嗎？

沙盒 key 每日限 20 個生成 call，但可以揀任何聲線。20 個 call 已經夠晒測試 3–5 把候選聲線。

聲線有「性別」之外嘅「個性」嗎？

有。聲線嘅「個性」主要通過 style 同 emotion 反映。Preset 嘅每把聲線都有內建嘅「性格」（例如「溫柔」、「爽朗」、「沉穩」），你可以透過 preview clip 感受。

揀錯聲線可以退款嗎？

聲線係生成服務，每段 output 一旦生成就會扣字符配額。如果純粹因為揀錯聲線想重做，要用新字符額度再做。揀聲線之前建議用 preview clip 試聽，慳返配額。

點樣平衡聲線質素同成本？

聲線質素同成本冇直接關係。所有聲線（preset、design、clone）嘅字符單價一樣。所以唔需要因為慳錢而揀「平」嘅聲線，揀最啱內容嗰把就得。

揀聲線之後：開始大量生產

揀完聲線之後，就可以開始大量生產。記住以下幾個原則：

• 每個新項目重新揀聲線：唔好貪方便用舊聲線
• 大量生成前先用小批量測試：例如先生成 10 段，檢查質素再擴大
• 保留 preview clip 作記錄：方便日後 review 揀聲線嘅決定
• 留意 rate limit：免費／入門 plan 嘅並行任務上限較低，記得用批量生成（Pro／Studio 專屬）提早準備

如果想了解更多批量生產嘅 workflow，可以參考 TTS 批量生成 workflow。

仲有 TTS 情緒控制攻略 同 SRT 字幕 workflow 都值得一讀，可以幫你喺大量生產階段做得更順。

最後，如果你想實際試下唔同聲線嘅效果，可以直接去 Playground 揀聲線、輸入文字、生成 audio。

[!CTA]

親手試揸廣東話 TTS 聲線

嚇聲線睇十篇攻略都唔夠，自己試先最實在——去 Playground 揀聲線、輸入文字，即刻聽效果。