粵語語音助手 API：打造智能廣東話語音互動方案

一句答你： 想整識講廣東話嘅語音助手，最直接嘅路線係用一個粵語原生嘅 TTS API——由文字入、語音出，配合 ASR 同對話邏輯，就可以組合一個由頭到尾識聽識講廣東話嘅助手。

Key Takeaways

• 粵語語音助手核心係三層：聽（ASR）、諗（對話邏輯）、講（TTS），TTS 通常係最難搵好嘅一環。
• 揀 TTS API 要睇五樣：粵語係唔係原生支援、聲線質素、API 延遲同穩定性、定價結構、有冇批量同並行能力。
• 口語化係關鍵：助手要識講「而家」「咩事」呢啲口語，唔係淨係識讀書面語。
• 港嘢 API 支援 async job、SRT、批量同 sandbox 測試，免費開戶每月有 5,000 字符可以試。
• 成本可以用「每分鐘約 240 字符」去估算，好快可以計到自己個 project 大約幾多錢。

點解粵語語音助手咁難做

呢幾年 AI 語音助手好多，Siri、小愛、Google Assistant……但識講地道廣東話嘅助手，市面上其實好少。原因好簡單：

粵語唔係「中文嘅變調版」

好多平台嘅 TTS，聲稱支援「中文」，實際係以普通話做主體，粵語只係一個 locale 選項。出嚟把聲可能聽得明，但：

• 聲調走樣，六聲九調變四聲五調，聽落似「外省人講廣東話」
• 語氣詞處理差，「啦」「㗎」「喎」「咩」讀得硬邦邦
• 懶音同連讀變調處理唔到
• 中英夾雜（「check 一下」「book 房」）讀出嚟好怪

呢啲問題，喺一個真正嘅粵語原生 TTS 系統入面係由設計層面解決，唔係靠後期修補。如果你想深入了解粵語聲調系統，可以睇下我哋之前寫嘅九聲六調完全解說。

助手場景對 TTS 要求特別高

語音助手唔係錄一段旁白咁簡單，佢要：

• 回應夠快：用戶問完，助手三秒內要有反應，遲過五秒就會令人覺得壞咗
• 長期穩定：一日可能打幾千個 request，唔可以時得時唔得
• 語氣自然：係對話，唔係朗讀，要有返啲人情味
• 多種場景：有時要肯定，有時要委婉，有時要幽默

所以揀 TTS API 嘅時候，唔可以淨係睇「聲好唔好聽」，要睇成個工程配套。

粵語語音助手嘅基本架構

一個完整嘅粵語語音助手，架構通常係咁：

用戶講嘢
    │
    ▼
[1] ASR（語音轉文字）
    │
    ▼
[2] 對話邏輯 / LLM（理解 + 生成回覆文字）
    │
    ▼
[3] TTS（文字轉語音）← 本文重點
    │
    ▼
用戶聽到回覆

三層入面：

• ASR（Automatic Speech Recognition）：市面有幾個選擇，粵語支援近年好咗唔少，但仲係最麻煩一環，因為香港人多 code-mix、語速快、懶音重
• 對話邏輯：可以用 rule-based，也可以用 LLM，呢層同語言無關，主要是 prompt 工程同 context 管理
• TTS：將助手嘅文字回覆讀出嚟，係本文焦點

點解 TTS 係成個體驗嘅「臉」

心理學有個效應：用戶對語音助手嘅評價，好大程度取決於把聲。同一段回覆文字，用自然粵語讀出嚟，同用「普通話腔粵語」讀出嚟，用戶感受係天壤之別。

所以就算你嘅 ASR 準確率 95%，對話邏輯幾聰明，TTS 質素差，成個助手就會被評為「唔正」。呢個係點解我哋成日話：粵語助手，TTS 質素決定一半成敗。

點樣揀一個適合做助手嘅粵語 TTS API

以下五個維度，由重要到次要排：

1. 粵語係咪原生支援

第一件事：問清楚平台粵語係「一等公民」定「附屬功能」。幾個判斷方法：

• 有冇專門嘅粵語聲線（而唔係「中文聲線＋粵語 flag」）
• 有冇文檔講粵語特有處理（懶音、變調、口語）
• 試聽樣本，睇語氣詞同 code-mix 讀得點

如果唔肯定，最好直接用免費粵語 TTS 工具做對照測試，因為免費工具通常唔會咁啱就係粵語原生，容易見到分別。

2. 聲線選擇同可控性

做助手，通常你想要：

• 一把特定風格嘅聲（女聲親切？男聲專業？）
• 可以調整語速同語氣
• 支援情緒標記（開心、抱歉、疑問）

有啲 API 有 voice design 功能，可以由零設計一把助手聲；有啲係 preset 圖庫，揀啱就用。港嘢兩樣都有：preset 聲線圖庫＋design 模式（gender＋age 組合），亦支援 instruction 自由指示同 emotion 控制，聲線方面可以參考我哋嘅粵語 TTS 聲線揀選指南。

3. API 延遲同部署模式

助手場景，延遲係王道。幾個要問嘅問題：

• 同步定異步？：Sync 適合短回覆（一句兩句，直接返 audio bytes），Async 適合長內容。港嘢 API 有 sync 捷徑：≤300 字符、voice 或 design 模式，直接 POST 就回 200 audio bytes，唔使 poll。
• 有冇並行上限？：助手可能同時回覆幾個用戶。港嘢按方案分：免費 3 個在途任務、入門 5 個、專業 10 個、工作室 20 個，超過就回 429 in_flight_limit_reached。
• 有冇 rate limit？：港嘢預設 60/min per key（可調），滑動窗口，回應有 X-RateLimit-* header 方便 client 端自己做 throttling。

4. 定價結構同可預測性

助手係長期運行嘅服務，成本要可預測：

• 按字符計費最清晰，容易 budget。港嘢入門 HK$128／月有 200,000 字符，專業 HK$338／月有 600,000，工作室 HK$688／月有 1,400,000
• 有冇隱藏收費（超額費、跳出限制費）？港嘢冇 overage，用完配額就停，要加量買字符包（HK$0.80／1K，最小 HK$50 = 62.5K）
• API 同前台有冇共用配額？港嘢係 1:1 共用月配額，好清晰

詳細成本計法可以睇我哋嘅粵語 TTS 定價全解析。

5. 生態功能：批量、SRT、日誌

做助手之外，你可能仲要做：

• 批量生成：例如一次過整一批常用回覆 pre-generate 好，等 runtime 只係播 mp3，延遲近乎零。呢個係助手開發嘅重要技巧。港嘢批量一次最多 25 個 request bodies，專業／工作室 plan 專屬
• SRT 輸出：如果助手有視覺介面，字幕同步好有用
• 日誌同 history：debug 同 audit 用

呢啲功能唔係每個 API 都有，但對助手開發好實用。

實戰：由零開始砌一個粵語助手（概念流程）

Step 1：定義助手人設同聲線

先諗清楚：

• 助手係咩身份？（客服、教學、陪伴、理財？）
• 目標用戶邊個？（後生、中年、長者？）
• 聲線風格？（活潑、溫柔、專業、搞笑？）

唔同人設，揀嘅聲線唔同。長者服務可能要語速慢啲、聲線沉穩啲；購物助手可以活潑啲。揀聲線嗰陣，可以睇下我哋嘅粵語聲線揀選完整指南。

Step 2：文字層處理—— 口語化

助手回覆應該用口語書面（即係用漢字寫出嚟嘅廣東話），唔係普通話書面語。舉例：

呢個係好多人忽略嘅位——就算 TTS 幾犀利，你餵普通話書面語俾佢，讀出嚟都係怪。建議睇下我哋嘅書面語 vs 口語粵語 TTS 處理同粵語語氣詞 TTS 處理兩篇，先理解文字層點樣準備。

Step 3：接 TTS API（快速示例）

假設你用港嘢 API，流程係：

1. 喺 dashboard 開 API key（sk_live_ 前綴正式 / sk_test_ 沙盒）
2. 選模式：voice（用 preset 聲線）/ design / clone
3. 短回覆（≤300 字符）→ 用 sync endpoint 直接攞 audio
4. 長內容 → POST /v1/audio/jobs（202 + job_id）→ poll GET /v1/audio/jobs/{id}
5. 攞 audio_url → 下載 mp3 → 播放

幾個實用位：

• Sandbox key：免費／入門 plan 可以開 sk_test_ key 試接，每日 20 個生成 call（只計 submission，poll／download 唔計），夠你打通成個流程先上 production
• Token 管理：key 只顯示一次（server 只存 hash），記得第一時間 save 好權限設定
• 錯誤處理：熟悉常見 error code（text_too_long、rate_limit_exceeded、in_flight_limit_reached、insufficient_scope），詳細可以睇我哋嘅粵語 TTS API 錯誤碼指南

技術細節方面，我哋有一篇 粵語 TTS API 快速上手，有更完整嘅接法講解。

Step 4：優化回覆延遲

助手嘅大忌係「死寂」。幾個常見技巧：

• 預生成常見回覆：例如「唔好意思，我聽唔清楚，可以再講一次嗎？」呢啲高頻回覆，可以預先生成 cache 起嚟，runtime 直接播，慳 API call 又慳時間
• 分段回覆：如果 LLM 生成嘅回覆長，可以分段送 TTS，第一段生成好即刻讀，後面段 background 繼續處理，用戶感知延遲會低好多
• 選啱 endpoint：短回覆用 sync（300 字符內），唔使 poll，少一個 round-trip

Step 5：測試同迭代

• 準備一套涵蓋粵語難點嘅測試句：語氣詞、code-mix、多音字、數字、人名、日期時間
• 每次換聲線或改文字層都重跑一次
• 用真實用戶 scenario 驗證，唔好用假 data

呢個過程可以參考我哋嘅粵語 TTS 準確度測試方法。

港嘢 API 做助手場景嘅優勢

講返自己。港嘢係粵語原生嘅 TTS 平台，設計時就係諗住「香港場景」呢個 use case。對於做粵語助手，幾個位值得提：

粵語特化

• 聲線圖庫全部粵語原生 preset，附試聽
• 支援 styles、emotion、instruction 三層演繹控制
• 文檔有粵語特有議題（多音字、變調、口語詞、code-mix）嘅處理指南
• 有多音字處理攻略、懶音討論、變調指南呢啲深入內容做支撐

工程友好

• Async job 模式（POST → 202 → poll），適合長內容
• Sync 捷徑（≤300 字符），適合助手短回覆
• 批量（25 items／request），適合 pre-generate
• SRT 輸出，方便字幕同步
• 有 MCP／agent integration 嘅文章講點樣接 agent
• OpenAPI 3.1 spec 公開（/v1/openapi.json），互動文檔齊全
• 開 API key 時可以設 scope、月度字符上限、rate limit、過期時間，權限管理幾細緻

成本透明

• 免費開戶每月有 5,000 字符（一次性，約 21 分鐘語音）試玩
• 入門 HK$128／月有 200,000 字符，夠做小型助手 MVP
• 字符包 HK$0.80／1K，彈性加量唔使升 plan
• 有 API 成本計算機幫你估算

場景參考

如果助手係用喺特定行業，可以睇下呢啲場景文章：

• 客服粵語 TTS：電話／在線客服助手
• 銀行金融粵語 TTS：理財助手
• 醫療粵語語音指引：診所／醫院助手
• 政府公共服務粵語 TTS：公共資訊助手

成本估算：你個助手一個月幾多錢？

按港嘢嘅換算：每分鐘語音約 240 字符。做幾個場景估算：

幾點注意：

• 呢個係TTS 部分嘅成本，未計 LLM、ASR、server 等其他部分
• 如果有預生成 cache，實際 API 用量會低過呢個數，因為高頻回覆唔使每 user 生成一次
• 每千字符單價：入門 HK$0.64、專業 HK$0.5633、工作室 HK$0.4914（月繳），年繳仲平啲（平均月費 HK$102／HK$270／HK$550）
• 用量超出 plan，唔會有 overage 費，買字符包（HK$0.80／1K）繼續用就得

想計自己 scenario，可以睇下我哋嘅 TTS API 成本計算指南，有更詳細嘅計法。

常見問題 FAQ

粵語 TTS API 同普通話 TTS API 有咩分別？

最大分別係聲調系統同口語處理。粵語有九聲六調，普通話四聲；粵語有入聲、變調、大量語氣詞同懶音。普通話 TTS 就算標明支援粵語，通常都係後加 locale，讀出嚟聲調走樣、語氣詞生硬。真正粵語原生嘅 TTS（例如港嘢）係由聲學模型層面針對粵語訓練，出嚟效果唔同級數。

做語音助手，TTS 部分通常佔幾多成本？

好視乎你成個系統嘅架構。如果用大型 LLM 做對話邏輯，LLM token 費用往往高過 TTS。TTS 以港嘢為例，專業 plan 每千字符約 HK$0.5633，一分鐘語音（約 240 字符）大約 HK$0.14，其實相對便宜。長遠計，做好預生成 cache 仲可以再壓低。

免費方案可以做助手原型嗎？

港嘢免費開戶有每月 5,000 字符（月月重置），約 21 分鐘語音，做一個 proof-of-concept（例如錄十幾句常用回覆試效果）係夠嘅。但要做持續運行嘅原型，呢個額度好快用完。另一個方法係用免費／入門 plan 開 sk_test_ sandbox key，每日 20 個生成 call，可以慢慢試 API 接法。認真開發就建議上入門 plan（HK$128／月、200,000 字符）。

助手回覆要夠快，用 sync 定 async API？

睇回覆長度。300 字符以內（約 75 秒語音）用港嘢嘅 sync endpoint，直接回 audio bytes，最少 round-trip。更長嘅回覆用 async job 模式：POST 攞 job_id，poll 攞 audio_url。另外一個好技巧：無論 sync async，都建議做分段——LLM 生成長回覆時分成幾段送 TTS，第一段好咗即刻播，後面 background 處理，用戶感知延遲會低好多。

唔想俾助手成日生成語音，有咩慳錢方法？

最有效係預生成 + cache。分析助手嘅高頻回覆（例如 greeting、常見 FAQ 答案、error message），一次過批量生成晒（港嘢批量一次最多 25 個 request），存 audio file。Runtime 遇到呢啲回覆直接播 mp3，唔使 API call。LLM 生成嘅長尾回覆先即時 TTS。咁樣可以大幅降低每月字符用量。

港嘢 API 支援邊啲生成模式？clone 功能要做助手有用嗎？

港嘢 API 支援三種生成模式：voice（用 preset 聲線 by slug，例如 sum 代表心妍）、design（指定 gender + age 生成）、clone（用參考音頻複製聲音）。做助手通常用 voice 或 design 已經夠，因為穩定可控。clone 適合想用特定人物聲音嘅場景（例如品牌吉祥物），但注意 design／clone 出嘅聲線係 per-request，唔會儲存做可重用 asset，每次都要重用同樣參數。四個 plan 全部支援 clone，但同步 endpoint（≤300 字符）唔支援 clone，一定要用 async。

除咗 TTS，仲有咩要準備先做到一個完整助手？

主要仲有兩樣：ASR（用戶語音轉文字）同對話邏輯（可以係 LLM 或 rule-based）。ASR 嘅粵語支援近年好咗，但係香港人語速快、code-mix 多，係要揀一個粵語表現好嘅 ASR 方案。對話邏輯方面，而家主流係用 LLM，好處係靈活，但要小心佢習慣輸出普通話書面語，你要喺 prompt 明確要求佢用粵語口語回覆。呢三層配搭好，先係一個完整嘅粵語語音助手。

準備好開始未？

[!CTA]

免費試港嘢粵語 TTS Playground

開戶即享每月 5,000 字符，即刻喺 Playground 試下揀聲線、寫句粵語，聽下出嚟效果係咪你想要嘅感覺。