Twilio 廣東話 TTS 整合 cookbook：由零起電話 bot

一句答你：Twilio 負責接聽同撥出嘅電話線路，廣東話音頻由港嘢 API 生成——選單提示預先批量生成存檔，動態內容即場叫 API 生成再播，兩邊用 TwiML 嘅播放指令接埋一齊，就係一個地道粵語電話系統。

香港嘅電話系統有個老問題：IVR 選單嘅廣東話錄音，改一句嘢要約配音師重錯；或者用系統內建語音，讀出嚟一股機械腔，客人一聽就皺眉。前線同事接聽嘅時間，有好多其實係處理緊本來可以自動答嘅查詢——營業時間、地址、訂單狀態。呢篇 cookbook 講點樣用 Twilio 做線路層、港嘢做聲音層，兩邊各做擅長嘅嘢，起一個聽落唔似機械嘅粵語電話系統。唔使大工程，照住下面嘅分工同步驟行，兩三個星期已經有一條可以見得人嘅粵語熱線。

Key Takeaways

• 架構分工：Twilio 管電話線路同流程控制，港嘢管地道粵語音頻生成，各司其職
• 兩條路線：預錄式（選單類，批量生成存檔）同動態式（即時生成，行排隊機制）
• 每個生成任務文字上限 500 個字符，超過會被拒收而唔係自動截斷
• 音頻 URL 有時效：已入庫嘅 1 小時、直接由生成端出嘅 7 日，長期用要下載返入自己檔案空間
• 動態生成要有過渡提示兜住，唔好令客人對住靜音等
• 上線前一定要用真電話行一次全流程，電腦試聽驗唔出電話線路嘅問題

架構總覽：兩層分工

邊層做邊樣

Twilio 擅長嘅係電信層：買號碼、接聽、撥出、按鍵收發、通話流程控制、轉駁真人。佢內建都有文字轉語音功能，但粵語表現受制於通用語音供應，口語詞同語氣位往往唔到位。港嘢專注嘅係聲音層：地道香港粵語、中英夾雜自然、口語表達唔會讀怪。

所以主流做法係：聲音全部自己生成好，Twilio 只負責播。播放音頻檔係電話系統最穩定嘅做法——唔受語音引擎版本變動影響，每一通電話聽到嘅都係同一條音頻，品質可以預期。

一通電話嘅流程點行

1. 來電入到 Twilio 號碼
2. Twilio 向你嘅伺服器攞流程指令（TwiML）
3. 流程指令話俾 Twilio 知：播邊個音頻檔、收咩按鍵、幾時轉駁真人
4. 音頻檔係港嘢預先生成好，放喺你自己嘅檔案空間或者用音頻連結
5. 客人聽完揀選項，系統行下一個流程位

呢個分工嘅好處：改流程（加選項、改轉駁邏輯）唔使掂音頻；改講法（換句措辭）唔使掂流程。兩條線獨立演進，維護簡單。

轉真人位一開始就設計好

自動化唔係零真人。設計流程嗰陣就要劃定：邊啲查詢自動答、邊啲一定轉真人（投訴、退貨、敏感個案）、邊啲按鍵隨時可以跳出。轉真人嗰下最好連客人喺選單揀過乜都帶俾同事，客人唔使由頭再講一次——呢個位做得好，成個系統嘅觀感完全唔同。

路線一：預錄式（IVR 選單、營業時間、節日安排）

點解選單類要預錄

選單提示一年改幾多次？通常得幾次。預先生成、存好檔，通話時直接播——零延遲、零變數、成本最低。改稿先重新生成，配合版本化管理，整個系統嘅聲音永遠一致。

揀聲線：一次揀好，長期不變

選單聲線係公司嘅「電話門面」，唔好似試衫咁成日換。揀聲線嗰陣用最長嗰句提示試聽，確認連續聽幾句都唔攰；揀好之後將聲線選擇寫入內部文檔，之後所有新生成嘅提示都用同一把聲，唔會幾個月後「換咗個接線生」。

批量生成做法

一個典型選單系統有 20 至 40 句提示。港嘢 API 支援批量提交，一次過最多 25 個生成任務（批量功能係專業同工作室方案專屬，免費同入門方案逐個提交都得）。每個任務文字上限 500 個字符，提示句通常一句幾十個字，空間好充裕。

批量驗證係全有或全無——任何一句有問題，成批拒收。所以提交之前先檢查：有冇超長句、有冇漏字、格式冇錯。寧願分兩批穩陣啲，都好過一批拒收重頭嚟。

生成完做三件事

• 逐句試聽：重點聽數字（「按 1 字」嘅 1）、專名（公司名、部門名）、多音字
• 檔案命名規範化：用有意義檔名（例如 main-menu-zh、hours-weekday、holiday-cny），唔好用亂數
• 版本記錄：改過嘅稿留底，方便追查「客人聽到嘅係邊個版本」——投訴話聽唔明嗰陣，你會多謝呢張清單

路線二：動態式（查單、派件狀態、餘額）

動態內容嘅生成流程

動態內容（客人嘅訂單號、派件時間）唔可以預錄，要即場生成。流程係：

1. 你嘅系統收到來電，查出客人要嘅資料
2. 組裝文字稿（「你嘅訂單 1-2-3-4-5 已經派出咗，預計下晝三點前送到」）
3. 向港嘢 API 提交生成任務，攞到任務編號
4. 輪詢任務狀態，完成之後攞音頻連結
5. 將連結交俾 Twilio 播放

有關輪詢機制嘅詳細講解，睇《TTS 任務輪詢完全指南》。

過渡提示係體驗嘅生命線

生成任務係排隊制，唔係即時返音頻。通話入面等生成，體驗會卡。標準做法係先播過渡提示（「請稍等，為你查詢緊」——呢句當然都係預錄嘅），背景生成好之後再播結果。更順嘅做法：喺客人撳完按鍵嗰一刻就開始生成，同過渡提示並行，結果出嚟嗰陣提示都啱啱播完。

千祈唔好令客人對住靜音等。靜音超過幾秒，大部分人都會以為斷線而收線。

音頻連結時效要記住

生成完成後攞到嘅音頻連結分兩種：已入檔案庫嘅有效 1 小時，直接由生成端出嘅有效 7 日。即場播放冇問題；但如果你想存起嚟日後重播（例如覆盤客人聽過啲乜），就要喺時效內下載返入自己嘅檔案空間。唔肯定時效，重新查詢一次任務攞最新連結最穩陣。

文字稿貼士：電話場景特別位

短句為王

電話音質有限、注意力短，一句一句嚟：一句一個資訊點。超過兩個資訊點就拆兩句。同樣內容，電話稿通常比網頁稿長兩三成——因為要補返語氣同過渡（「好嘅」「跟住嚟係」）。初稿寫完，大聲讀一次自己聽：讀到換唔到氣嘅位，就係要拆句嘅位。

數字同日期嘅香港讀法

• 訂單號、電話號碼逐位讀定連讀，稿度寫清楚（「1-2-3-4-5」）
• 「15/10」要寫做「十月十五號」，唔好俾系統讀「一五斜一零」
• 金額要連單位（「三百蚊」），唔好淨係寫數字
• 時間用十二小時制口語（「下晝三點」），唔好用廿四小時制

中英夾雜順其自然

香港客人習慣「你嘅 order 已經 ship 咗」呢類講法，稿度照寫，生成出嚟地道啲反而更清楚。刻意寫成書面語（「您的訂單已經出貨」）反而唔似香港人講嘢。深究可以睇《粵語中英夾雜 TTS 指南》。

容量同限制：開工前對一對數

方案對應：免費方案在途任務 3 個、入門 5 個、專業 10 個、工作室 20 個。電話系統嘅動態生成量，按你嘅來電量估：每日幾百通查詢，專業方案通常夠用；真係高流量，要加排隊同快取設計。開發階段想先行通流程，免費同入門方案可以開沙盒模式嘅 key 試接，每日有生成次數限制，升級之後同一把 key 即時解鎖全速。整合細節可以參考《粵語 TTS API 快速上手》同《Node.js 整合 cookbook》。

成本：起一個系統要幾多錢

聲音成本一個月幾多

預錄部分：40 句選單提示，每句平均 50 字符，共 2,000 字符——一次過搞掂，之後改一句先重出一句。動態部分：假設每日 200 通查詢、每通答一句 60 字符，一個月 360,000 字符左右。以港嘢專業方案（HK$338 一個月、600,000 字符）計，已經涵蓋有餘。大約 240 個字符生成一分鐘語音，你可以按自己來電量換算。

揀號碼同線路嘅錢

Twilio 嗰邊係月費加通話分鐘，按用量計。聲音成本同線路成本分開計，兩邊都係規模化之後單價先靚——即係話細規模試行嘅月費，通常係幾百蚊水平，唔係一個大數目。

常見陷阱

稿太長塞唔入一個任務

有團隊將成段公告（幾千字）塞入一個生成任務，撞正 500 字符上限被拒收。正確做法係分段：每段一個任務、各自生成，再喺流程層面順序播放。分段仲有個好處——改其中一段唔使成篇重出。

播連結播到過期

生成完攞到連結就開心咁存入設定，幾個鐘之後客人打嚟聽唔到——就係連結過期咗（已入庫嘅 1 小時）。長期播放嘅音頻，一定要下載返入自己檔案空間；即場動態播放就用當刻攞到嘅新連結。將「攞連結」同「用連結」分開對待，呢類事故就唔會發生。

由試行到正式上線：三步走

兩星期原型

用沙盒 key 接通流程，揀最簡單嘅一條線（例如「營業時間查詢」）行通由接聽到答覆嘅全程。呢個階段唔追求完美，追求「證明條路行得通」。

灰度上線

正式開通之後，唔好一刀切將所有來電交俾新系統。先開一條新號碼或者喺現有選單加一個「自助查詢」選項，令一開始只有主動揀嘅客人用到。睇埋兩個星期數據同意見，先至擴大覆蓋。

每月回顧

每月抽 20 通錄音聽一次，睇客人喺邊個位卡住、邊句提示聽唔明。提示稿係活嘅——每個月根據真實通話微調一次，個系統會越嚟越貼客人講法。有關通話系統嘅整體設計思路，可以再睇《粵語客服 TTS 應用指南》。

上線前檢查清單

用真電話行一次全流程

電腦耳筒試聽驗唔出電話線路嘅問題：頻寬壓縮之後嘅清晰度、音量水平、背景噪音。全部提示句用真電話聽一次，最好搵一個冇參與整個系統嘅同事嚟聽——太熟稿嘅人會自動腦補，聽唔出問題。

流程測試位

• 撳錯鍵：有冇友好提示同重試機會
• 嘥撳：超時幾耐會重播定轉真人
• 中途收線：後台任務點處理
• 辦公時間外：播咩提示、有冇留言功能
• 生成失敗：有冇預錄嘅「系統繁忙」提示兜底

監察位

上線之後睇三個數：生成任務失敗率（正常應該好低）、通話中途掛線率（突然升高即係體驗出問題）、轉真人比例（太高即係選單設計冇 cover 到常見查詢）。

常見問題 FAQ

Twilio 內建語音有廣東話，點解仲要自己生成？

Twilio 內建語音嚟自通用語音供應，廣東話發音大致正確，但口語詞、語氣詞、中英夾雜位冇為香港優化。你可以同一句稿（「你嘅外賣已經到咗樓下喇」）分別用內建語音同港嘢生成，喺真電話場景比較，分別好明顯。

動態生成會唔會令客人等好耐？

排隊時間視乎當時負載，一般以秒計。體驗設計上一定要有過渡提示兜住，唔好令客人對住靜音等。高峰時段可以預生成常用組合做快取，例如常見時段嘅派件狀態句。

一句提示改咗字，使唔使成套重出？

唔使。揀返嗰句重新生成就得，所以檔案命名同版本管理要做好，先可以準確替換、唔會改錯位。平時記低每句對應嘅檔名或者任務編號，改嗰陣一查就中。

生成嘅音頻可以直接交俾 Twilio 播？

可以，音頻連結下載唔需要額外授權。不過要留意連結時效（1 小時或 7 日），長期使用建議下載返入自己檔案空間再俾 Twilio 播，穩定好多。

批量功能邊個方案有？

專業同工作室方案。免費同入門方案可以逐個任務提交，幾十句嘅選單逐步提交都得，只係慢啲。用量穩定之後升級，批量慳返好多時間。

沙盒 key 同正式 key 有咩分別？

沙盒 key（sk_test_ 開頭）俾免費同入門用戶試接，有每日生成次數限制；正式 key（sk_live_ 開頭）要專業或以上方案先有全速。升級之後原有 key 自動按方案解鎖，唔使重新開過。

[!CTA]

整返一個地道粵語電話系統

去港嘢 API 文檔睇接入細節，或者喺 Playground 先試好選單稿嘅聲線同語氣。