粵語語音 Agent 測試指南：讀音、延遲同穩定性點驗

一句答你： 粵語語音 Agent 上線前要過五關：建立測試語料、驗讀音準確度、量延遲、做穩定性壓力測試、做語氣回歸測試。每關都有具體步驟同指標：讀音用語料逐句對照評分，延遲量「提交到出聲」時間，壓力測試對照每分鐘限流同在途上限，全部照住本文步驟行就得。

Key Takeaways

• 測試五維度：讀音準確、語言混合、延遲、穩定性、語氣一致，缺一環上線都會出事。
• 測試語料先行：多音字、專名、數字日期、中英夾雜四類高風險句先收埋做底稿。
• 讀音測試要人耳逐句對照評分，多音字同專名係重災區，可以對照粵拼標音同審音字庫。
• 延遲量度分兩截：提交到完成嘅生成時間，同埋拆段播放嘅首句等待時間。
• 穩定性測試要真係撞到限流先算數：每分鐘 60 個計費請求起跳、在途上限免費 3 個至工作室 20 個。
• 版本一更新就要跑返同一套語料做回歸，分數有紀錄先見到劣化。

粵語語音 Agent 要測咩：五個維度

一個講廣東話嘅語音 Agent，上線之前唔可以齋靠感覺話「聽落幾順」。感覺會呃人，尤其係你聽咗幾十次之後，耳仔已經慣咗佢嘅錯誤，原本聽到會皺眉嘅位，慢慢就聽若無物。開發者自己係最唔適合做唯一評審嘅人——呢個就係要有一套正式測試流程嘅原因。

仲有一個現實：語音體驗嘅問題，等到上線先由用戶發現，代價係最貴嘅。用戶唔會幫你填詳細報告，佢只會靜靜雞走，臨走留一句「把聲好怪」。一套五個維度嘅測試流程，就係將「把聲好怪」呢句模糊投訴，拆成一格一格可以量化、可以修正嘅項目。

五個維度係：

讀音準確。 多音字讀錯、專名讀錯、變調生硬——粵語嘅讀音錯誤特別傷，因為聲調錯就係字都錯。

語言混合。 中英夾雜句、數字日期、單位量詞，呢啲「混合位」最易出事。

延遲。 用戶問完到聽到回應，中間幾耐？對話場景每半秒都算數。

穩定性。 連續跑幾百個請求，錯誤率幾多？限流撞到點處理？失敗有冇優雅後路？

語氣一致。 同一類回應，今日同尋日聽落係咪同一質感？有冇忽冷忽熱？

五個維度各有一套測法，下面逐步展開，五步行完，你對自己個 Agent 嘅認識會深一個層次。做測試之前，如果你對粵語 TTS 嘅基本流程仲未熟，先睇廣東話 TTS 完全指南補個底。

第一步：建立測試語料庫

測試嘅質素，上限喺語料嘅質素。語料差，後面幾精細嘅評分都係垃圾入垃圾出。一份好嘅粵語測試語料，至少包含四類高風險句：

多音字句。 粵語多音字係讀音錯誤嘅頭號來源。將你個 Agent 場景會撞到嘅多音字寫成句子——唔係單字測試，係放返入句度測，因為語音引擎讀單字同讀句子嘅表現可以唔同。常見多音字嘅清單同例句，廣東話多音字攻略整理咗一批，直接抄料就做得。

專名句。 香港地名、機構名、人名、樓盤名、商場名——呢啲字串引擎冇得估，讀錯最傷信任。攞你真實場景嘅專名（地區名、車站名、常見客人姓氏）逐一寫句。專名仲有一個特性：讀錯一次，用戶就會懷疑成個系統嘅可靠性，所以呢類句嘅通過要求要訂得最高。

數字日期句。 電話號碼、金額、日期、時間、樓層、車牌。數字係語音嘅經典雷區，「2026」讀「二零二六」定「二千零二十六」，「3 號」定「三號」，句句都要有標準答案先評到分。寫語料嗰陣，連單位一齊寫埋（「一百二十蚊」唔係「120」），順便測貼稿層面嘅處理。

中英夾雜句。 你個場景會出現嘅英文字：產品名、術語、動詞（book、send）。夾喺句中間讀，唔係單獨讀，因為夾喺粵語句入面嘅英文讀法先係真實使用情境。

語料規模唔使大，每類十句，四類四十句已經係一份有用嘅底稿；重點係每句都寫低標準答案（預期讀法），冇標準答案嘅語料測咗都白測。語料庫要當資產養：版本化、有紀錄、有擁有人，唔好散落喺幾個同事嘅私人檔案入面。建議語料一開始就同評分表綁定：每句一句編號、類別、標準答案、歷次評分紀錄，呢個紀律前期好似煩，做過兩輪回歸你就會多謝自己。

第二步：讀音準確度測試

呢步係成套測試嘅核心，做法係人耳逐句對照：

1. 將語料逐句交俾 Agent 生成語音。
2. 兩位評分人員分開聽（唔要對答案先聽，避免互相影響）。
3. 每句評三級：過（讀晒全部字同調）、勉強（有小瑕疵但唔誤導）、唔過（讀錯字或者讀錯調致誤導）。
4. 兩人評分唔一致嘅句，第三裁決或者開會定案。

評分嗰陣特別留意兩樣：聲調對唔對（聲調錯就係字錯）同變調自然唔自然（廣東話好多人有變調讀法，讀得「教科書」都會怪）。攞唔準某個字嘅標準讀音，可以查中文大學粵語審音配詞字庫對照，又或者用粵拼標音做客觀錨點。

評分人員揀人都有講究：最好至少一位係「未參與開發」嘅同事——開發者嘅耳仔已經被自己嘅作品馴化，外人嘅第一耳先係用戶嘅第一耳。

過咗人耳呢關，想再嚴謹啲，可以升級做有系統嘅準確度評測：設計評測集、定評分準則、計準確率，成套方法可以照住粵語 TTS 準確度測試指南嚟行。揀聲線階段嘅試音方法（語料點揀、聽咩位），粵語 TTS 試音方法完整指南都有分開講。

呢步做齊，你手上就有第一份有數字嘅報告：幾多句過、邊類句最弱、弱喺邊個字。呢啲數字就係你同團隊傾「掂唔掂上線」嘅根據。

第三步：延遲量度

延遲唔係一個數，係兩個數：

生成延遲：提交生成任務到任務完成嘅時間。粵語 TTS 行異步模式：POST 提交、攞 job id、輪詢狀態、完成先有音頻。量度方法係喺程式入面記時間戳：提交一刻記一次，任務變 completed 記一次，兩者差就係生成延遲。分段語料（短句、中句、貼近 500 字符上限嘅長句）各量一組，因為長度直接影響時間。

首句延遲：用戶體感嘅真正指標——由提問到聽到第一個字。拆段播放嘅設計下，呢個數可以遠細過「全段生成完成」嘅時間。量法：記用戶提交嗰一刻，再記第一段音頻開播嗰一刻。

兩個數都要分時段量：平時同繁忙時間各跑一輪，負載唔同，數字唔同。測出嚟嘅數字對返產品要求：對話場景首句延遲通常要求最緊，旁白場景就寬鬆好多。冇客觀數字，「有幾快」永遠係各話各說。

記錄延遲嗰陣連埋環境變數一齊記：日期、時段、語料長度、方案。日後想分析「點解嗰陣慢咗」，呢啲背景資料就係線索。順帶一提，你自己嘅輪詢間隔都值得記一筆：間隔設幾耐、平均查詢幾多次先完成，影響嘅係你自己嘅資源調配。

第四步：穩定性同壓力測試

正常跑得通唔算數，要喺壓力之下都企得穩先算數。四套測法：

連續負載測試。 用完整語料連續提交幾百個生成任務，記錄成功率同時間分佈。中途觀察有冇越跑越慢、有冇集中失敗嘅模式。

限流邊界測試。 刻意超過限流，驗證你嘅程式接得住：每把金鑰預設每分鐘 60 個計費請求，超額會回 429 rate_limit_exceeded 並附 Retry-After 秒數——你嘅重試邏輯要真係照住 Retry-After 等，唔係死撞。呢類錯誤處理嘅逐個碼對照，TTS API 錯誤碼對照有全套。

在途上限測試。 並行提交多過方案嘅在途上限（免費 3 個、入門 5 個、專業 10 個、工作室 20 個），驗證會收到 429 in_flight_limit_reached，而且你嘅佇列控制會自動收斂返喺上限之下。

批量路徑測試。 有用批量嘅話，測 25 項滿批、26 項拒批（too_many_items）、同埋一項無效成批拒收（invalid_items）嘅行為，確認程式對「全有或全無」嘅處理正確。

壓力測試嘅產出係一張表：每個測試案例、預期行為、實際行為、過唔過。有呢張表，上線決策就唔使靠「應該冇事」。仲有一個位好易漏：失敗之後嘅恢復路徑。撞限流之後程式係咪會自己回復正常？取消咗嘅任務會唔會留低垃圾狀態？呢啲「跌倒之後企返起身」嘅能力，先係 production 同 demo 嘅分別。

第五步：語氣一致性同回歸測試

語音 Agent 唔止要「讀得啱」，仲要「日日讀得一樣」。兩個測法：

情景語氣測試。 語料加一批情景句——道歉句、確認句、安撫句、催促句——生成之後評語氣係咪夾情景。道歉句讀得興奮、確認句讀得猶豫，就算字都啲都算唔過。有設定情緒或者風格參數嘅，順便驗證參數係咪真係生效：設咗「溫和」出嚟都係硬邦邦，即係設定冇傳到或者冇效果，要查。

回歸測試。 每次語音版本更新、貼稿規則改動、或者聲線更換，就跑返同一套語料，分數同上次比。語音係會變嘅，冇回歸紀錄，劣化係靜靜雞發生，等到用戶投訴先知就遲。回歸測試嘅分數要有版本標記，畫成趨勢先睇得到方向。想將成套評測對標埋其他引擎，粵語 TTS 實測方法一文有公平比較嘅框架。

評分準則同報告

測完五步，最後一步係將結果變成一份可以決策嘅文件。好嘅測試報告有三個特徵：數字有來源（邊套語料、邊日測）、標準有先例（通過線唔會朝定暮改）、同上輪有對比（見到趨勢而唔係單點）。

一個實用嘅報告模板：

通過線唔使同別人比，同你自己上一輪比：今次比上次好，係進步；突然跌，就要查。報告入面每個數字都有語料同時間戳支持，先係一份站得住嘅測試報告。

常見問題 FAQ

測試語料要幾多句先夠？

起步每類十句，四類四十句已經有統計意義。上線之後將真實用戶撞到嘅讀音問題回流做語料，庫會越養越準。

讀音測試一定要人耳聽嗎？

現階段人耳係最可靠嘅評分器，尤其係聲調同變調呢啲位。兩位評分員分開聽再加裁決，已經可以將主觀誤差壓得好低。

評分人員要幾多人？

最少兩位分開評，意見相反嗰句交第三人或者小組裁決。其中最好有一位未參與開發嘅同事，佢嘅第一耳最貼近用戶。

延遲測出嚟時快時慢，正常嗎？

正常，生成時間受長度同負載影響。所以要分段語料各量一組，兼分平時同繁忙時段，攞分佈唔係攞單一個數。

壓力測試會唔會影響正式服務？

會，限流測試會食你自己嘅配額同限流窗口。建議喺低峰時段用獨立金鑰跑，並且預先設定月度上限，做完就停。

每個方案嘅在途上限係幾多？

免費 3 個、入門 5 個、專業 10 個、工作室 20 個。壓力測試要驗證嘅就係：超額時收到 429 in_flight_limit_reached，而且程式會自動收斂。

回歸測試幾耐做一次？

每次語音版本更新或者貼稿規則改動之後做一次，加埋定期（例如每月）例行一次。重點係用同一套語料，分數先有得比。

測試報告要包括啲咩？

五個維度各一節：方法、語料版本、結果數字、同上輪比較。有爭議嘅句（兩位評分員意見相反）要留底，方便下次覆核。

一次測試幾多成本？

語音生成照字數計：每分鐘音頻約 240 字符，幾百句短語料反覆測幾輪，一般都喺免費每月 5,000 字符加少量字符包嘅範圍之內。真正嘅成本係評分人員嘅時間，語料精煉過嘅團隊慳好多。

[!CTA]

上線之前，先為你嘅 Agent 訂一份成績表

免費開戶每月有 5,000 字符，由四類高風險語料開始，行通第一輪測試先至推出街。