TTS 風格控制完整指南：讓語音合成更有情感與表現力

一句答你：TTS 風格控制係指用情緒、語速、語氣、停頓、強調同自由指示等參數，令同一把聲線講出唔同味道嘅語音；係決定 AI 配音聽落似唔似人、貼唔貼場景嘅關鍵功能。

Key Takeaways

• TTS 風格控制唔係單一開關，而係由**演繹風格（style）、情緒（emotion）、自由指示（instruction）**三條主軸加埋語速、停頓、強調等微調組成
• 廣東話 TTS 嘅風格控制要睇埋聲線本身嘅母語程度，Cantonese-native 聲線先撐得起地道演繹，唔係淨靠 prompt 就得
• 風格控制通常透過圖庫 preset 揀或者文字 prompt 寫指示兩種方式運作；前者穩定、後者彈性，但要權衡可控性
• 唔同方案嘅風格控制功能深度差異大：免費版多數只有幾個 preset，付費版先開放自由指示同多情緒組合
• 風格控制唔係越多越好；太複雜嘅 prompt 容易出鄉音、怪節奏、情緒錯位，要靠少量樣本測試先穩陣

乜嘢係 TTS 風格控制

TTS 風格控制，講緊嘅係點樣令同一段文字，由 AI 講出嚟嘅時候，唔同場景有唔同嘅味道。

譬如同一句「我而家去街市買餸」，可以用平淡陳述、輕鬆日常、急趕節奏、長輩關懷四種唔同方式講出嚟。文字一樣，語音嘅「氣場」完全唔同。風格控制就係控制呢種氣場嘅旋鈕。

對廣東話 TTS 嚟講，風格控制特別重要，因為粵語本身有九聲六調、豐富語氣詞（嘅、啦、囉、㗎、咩、㗎嘛）、中英夾雜習慣等等。同一段書面語，用標準廣州話讀、用港式潮語讀、用阿婆傾偈方式讀，差別可以好大。如果 TTS 系統只有一種讀法，聽落就好機械；可以調節風格，先至做到「呢句嘢似人講出嚟」。想了解廣東話 TTS 嘅整體面貌，可以睇返廣東話 TTS 完全指南。

風格控制嘅主要維度

風格控制唔係一個參數，而係幾條軸同時運作。以下係常見嘅幾條主軸：

演繹風格（style）

呢個係最直接嘅入口。每個聲線圖庫會預設幾款演繹風格，例如「新聞主播」、「溫柔敘事」、「活潑推銷」、「嚴肅公告」等。揀好風格，系統就會用相應嘅語氣、節奏、抑揚頓挫去讀你嘅文字。風格係 preset，穩定性高，唔使你諗點寫 prompt，適合新手或者流程化產出。

情緒（emotion）

情緒比風格更細緻，常見選項包括平靜、開心、難過、激動、緊張、疲倦、憤怒等。情緒同風格可以疊加使用，例如「新聞主播」風格加「嚴肅」情緒，講財經消息就到位；「活潑推銷」風格加「興奮」情緒，就似帶貨主播。

情緒設定嘅深淺程度往往係 AI 同 AI 之間嘅分水嶺。關於情緒控制嘅具體操作同參數，可以參考廣東話 TTS 情緒控制攻略。

自由指示（instruction）

當 preset 同 emotion 都搞唔掂，就要出自由指示呢招。用自然語言寫一段描述，例如：

「用中年男人、報紙檔老闆嘅口吻講，似同街坊傾偈，慢少少，尾音拖長」

系統會根據呢段文字動態調整演繹。彈性大，但可控性較低；同一段 prompt 喺唔同文字內容上，效果可能差好遠。要做好呢部分，要有試錯心理準備，準備幾段樣本做對比。

語速、停頓、強調

呢啲係微調旋鈕：

• 語速：明顯影響節奏。快 1.2 倍似趕住收工，慢 0.85 倍似講古仔
• 停頓：標點、換行、特別符號可以控制停頓長短
• 強調：用引號、大寫、特別標記（例如星號包住）提示邊啲字要重讀

微調做得好，可以由一段 prompt 變出幾種唔同感覺。但太刻意嘅強調標記，反而會令語音聽落做作。

喺 Playground 點用風格控制

Playground 係最直覺嘅風格控制介面。流程一般係：

1. 揀聲線（睇聲線目錄，每把聲線列有支援嘅風格同情緒）
2. 揀風格 preset
3. 揀情緒
4. （可選）寫自由指示
5. 輸入文字，按生成
6. 試聽、調整、重試

Playground 好處係即聽即改，唔似 API 要寫 code 改參數先見到效果。對內容創作、選聲線、調風格嚟講係最高效嘅入口。想直接試，可以去Canto-Gen Playground免費試。

用 API 控制風格

API 用風格控嘅同 Playground 邏輯一樣，只係改用 JSON 參數表達。常見參數包括：

• voice：聲線 slug
• style：風格 preset 名
• emotion：情緒名
• instruction：自由指示文字
• 仲有語速、pitch 等等

API 嘅好處係可以批量、自動化。譬如一個產品經理要將 200 段產品說明文字，用同一把聲線但三種唔同風格（短片版、官網版、客服版）生成，靠 Playground 逐段人手點就太慢；用 API 跑 script，一個鐘可以搞掂。批量生成嘅具體做法，可以參考TTS 批量生成工作流程。

注意 API key 嘅 scope：風格控制屬於 tts:generate 預設範圍，唔使額外申請。但如果你同時用埋聲音複製（clone），就要 tts:clone scope。詳細 API 接入流程，可以睇粵語 TTS API 快速上手。

風格控制嘅實際應用

短片配音同 YouTube 旁白

短片平台節奏快，要開頭 3 秒抓人。風格控制用「活潑」、「興奮」配合稍快語速，做開頭 hook 效果好好。YouTube 長片就相反，「敘事」、「平靜」配稍慢語速更易消化。詳細嘅短片配音策略，可以睇短片廣東話配音指南同YouTube 廣東話旁白 AI 攻略。

廣告同品牌聲音

品牌想建立辨識度，風格一致好重要。做法通常係：揀一把主聲線，定死風格同情緒 preset，所有素材都用同一組設定。先至可以做到「聽到就知係呢個品牌」。廣東話配音與配音導演攻略入面有更深入嘅做法。

客服同 IVR 系統

客服 TTS 唔可以用太浮誇嘅情緒，會嚇親客；但又唔可以太機械，會令客以為按錯號。最佳係**「平靜 + 稍慢 + 清晰」**組合，必要時用「關懷」情緒做特殊場景（例如投訴處理）。

教學內容同有聲書

教學要清楚、易明，風格要平穩；遇到例子可以稍為活潑。有聲書就完全相反，情緒要豐富，同一段對白唔同角色有唔同情緒。先可以撐起成個故事。

風格控制嘅限制同要注意

幾個常見嘅盲點：

• 過度疊加：style + emotion + instruction 三條同時寫，效果未必疊加，可能互相抵消。建議逐條加，每加一條就試聽一次
• 長 prompt 失效：自由指示超過幾十字，模型往往只 follow 頭尾，中間細節被忽略。控制在 30 字以內命中率最高
• 情緒錯位：開心 prompt 配哀傷文字內容，AI 會困惑；情緒同文字語意要對齊
• 鄉音同怪節奏：太極端嘅情緒設定（例如「極度憤怒」）容易出怪聲，似回音、似機械故障。呢類極端情緒要自己再 review，唔好盲信

風格控制唔保證每次都出你想要嘅效果。準備多版本試聽、揀最好嗰個，係而家最務實嘅做法。

揀 TTS 服務時，風格控制要點睇

商業決策角度，評估風格控制可以由呢幾個維度入手：

• Preset 數量同質素：幾多個風格、幾多個情緒，preset 命名清唔清晰
• 自由指示嘅彈性：可唔可以寫自然語言 prompt，prompt 幾長先有效
• 每把聲線嘅支援範圍：唔係每把聲線都支援所有風格同情緒，要睇清目錄
• 中文 vs 粵語支援：好多海外 TTS 聲線本身係普通話／英文原生，廣東話風格控制效果會打折扣
• API 開放程度：免費 tier 可唔可以用 style / emotion / instruction 參數，定係要升 plan

想同坊間其他廣東話 TTS 服務做橫向比較，可以睇廣東話 TTS 2026 對比旗艦文。想了解整體成本同方案選擇，可以參考廣東話 TTS 選購指南同廣東話 TTS 定價解析。

一句講晒：風格控制嘅深淺，直接影響用 AI 配音定要唔要逐段人手執。深嘅省時但貴，淺嘅平但要花人力調整。

常見問題 FAQ

風格控制同聲線複製有咩分別？

風格控制係改變演繹方式（點樣講），聲線複製（clone）係改變把聲本身（邊個講）。兩者可以並用：你可以複製自己把聲，再用風格控制去調節你嘅演繹。聲線複製嘅具體做法，可以睇TTS 聲線複製攻略。

唔同方案嘅風格控制功能係咪一樣？

唔同方案支援嘅風格控制深度會有差異。免費版通常開放基礎 style / emotion preset，但自由指示、批量、多情緒組合等進階功能多數係付費版先有。具體邊個 plan 包邊個功能，要睇官方功能表同定價頁。

用 API 控制風格要唔要額外收費？

風格控制本身唔額外收費，係計入字符用量嘅。即係你用 style、emotion、instruction 同唔用嘅單價一樣。字符用量同費用估算，可以睇廣東話 TTS 定價解析。

風格控制會唔會影響生成速度？

唔影響本質生成時間。風格參數同文字一齊入系統，處理時間同無風格參數差唔多。但如果你用批量模式同時跑多段唔同風格嘅語音，會受並行任務上限限制（按 plan 分級）。

自由指示（instruction）點寫先有效？

幾個要點：

• 角色描述（中年男人、少女、長輩）+ 場景（傾偈、報新聞、推銷）
• 形容語氣（慢、輕鬆、急、鄭重），避免抽象詞（例如「要好似好有感覺咁」）
• 控制喺 20–30 字內，超過命中率明顯下降
• 寫完一定要試聽，唔試等於冇寫

可唔可以將幾個風格混合用？

技術上可以（例如「嚴肅 + 溫和」），但要逐組試。唔同聲線對風格疊加嘅反應唔同，疊加後嘅效果可能係你想像中嘅混合，亦可能係其中一個風格壓過另一個。建議一次只加一條新參數，試清楚效果再加下一條。

風格控制搞唔掂嘅時候點算？

退一步嘅做法：

1. 改文字本身 — 用更口語化、更貼場景嘅寫法
2. 換聲線 — 唔係所有聲線都適合所有風格
3. 拆開做 — 將一段長文拆成幾段短文，每段用最適合嘅風格
4. 配樂救場 — 音樂同音效可以遮蓋部分風格唔到位嘅瑕疵

記住：風格控制係工具，唔係魔術。文字質素先係根本。

[!CTA]

親手試吓 TTS 風格控制

同一段文字，揀唔同風格、情緒、自由指示，即聽效果——免費開戶即刻試。