TTS 核心

同一個「自訂詞彙」，四家平台嘅上限由 50 到 1000 都有。上限數字唔係容量承諾，係工程產物。搞清楚詞表點入模型，你就知幾多詞先啱自己。

多數團隊揀 ASR API 係睇 demo 同單價。真正令你要重寫接入層嘅，通常係五個冇人問嘅規格位：同步窗幾長、檔案上限點計、詞表規則、有冇時間戳、同按咩單位收錢。

「支援 100+ 種語言」唔等於支援粵語。本文只引官方頁，逐家寫清楚清單點寫、有冇粵語獨立項，同埋對香港團隊實際代表乜。

中英夾雜唔係噪音，係香港人正常講法。問題係多數語音系統只當佢係雜訊。呢篇由 ASR 到 TTS 逐層拆，附測試語料同驗收數。

同一句「粵語準確度」，廠商可以講 3.1%，公開評測可以量到 20.85%。差距唔係有人講大話，而係測試集、指標同領域三個變數。本文逐份拆開，並給五個必問問題。

OmniHuman 以一張照片加粵語音訊即可生成全身動作自然嘅數字人影片，2026 年成為粵語內容創作嘅熱門工具。

ComfyUI 唔係語音模型，粵語能力來自你裝嘅節點。四個熱門節點嘅官方文件，對粵語嘅講法差好遠。

一句答你：AI 配音 係用 AI 語音引擎將文字稿直接變成人聲嘅製作方式 — 貼稿、揀聲、生成，三分鐘有得聽。呢篇係 AI 配音總綱：點揀工具（五條驗證準則）、粵語四道關卡、成本實算、授權法律，同 7 條 FAQ。

變調喺語言學上係正確音變，但喺 ASR 入面會表現成錯字。本文拆三類錯誤、俾一個可重複嘅成對測試設計，再講詞表、上下文、音檔三者點分工。

熱詞唔係「加多啲詞」。本文拆人名、地名、品牌、機構、術語五類專名嘅辨識失敗模式，講詞表容量同分域，再畀一個可以重跑嘅 A/B 驗收流程。

10 個廣東話 TTS 工具規格逐格對官方頁面（標觀察日期），品質唔評分；按免費試玩、付費 API、批量生產收窄選擇，再用盲測自己驗。

粵拼資料庫唔存在一份可下載嘅官方大表。本文比較 5 個免費語料嘅形態、授權同可否批次處理，講清三種資料模型、正規化 schema、授權三問，同十條落地自查清單。

混合會議（實室加遠程）嘅收音設定指南：分環境層、裝置層、檔案層三層去處理，附每人一枝咪定共用咪嘅取捨、平台設定檢查表、檔案格式同壓縮做法，收音前 60 秒清單。

一份可重複嘅 AI 會議記錄準確度測試方法：分清漏抽、誤抽、重複三類錯誤，逐段標註，再計覆蓋率同準確率。附港式會議 8 個高風險位同人工覆核做法。

10 個港式會議記錄範本：節結構、適用場景、港式難點，加埋摘要／決策／行動項嘅寫法、自訂範本嘅硬限制，同點樣三步揀返你公司嗰個。

廣東話錄音上載轉寫點解成日話「檔案太大」？本文拆解 4.5 MB 體積門同 8 分鐘時長門，附 11 分鐘粵語語音嘅壓縮實測數據、ffmpeg 指令，同一個大家都估錯嘅「60 分鐘」傳聞。

AI 客服一通電話嘅成本唔係神秘數字。本文拆成本三段（語音辨識按音頻秒、語音合成按字符、語言模型按 token），用公開費率算一次三分鐘電話，再講邊啲變數最影響成本。

廣東話 AI 客服唔係接個語音 API 就得。本文把工程拆成十個位：場景切分、架構選擇、粵語四類難句、延遲預算、每通話成本、barge-in、轉真人、PDPO 合規、上線四步，每個位都有驗收方法。

客戶喺系統講緊嗰陣插嘴，系統點樣先收得乾淨？本文拆 barge-in 狀態機、五類似插嘴但其實唔係嘅聲音、真假插嘴判斷矩陣、收手三個動作，同驗收五步。

語音 agent 講慢，通常係你量錯咗位。本文把講完到出聲拆成五段，講明每段點量、睇 p95 唔睇平均、粵語句界判定嘅特殊位，同埋超標時嘅取捨次序。

加咗詞表唔代表有用。本文俾一個可重複嘅 ASR 詞表測試協議：固定音檔、逐詞標對錯、計修正同回歸，仲有三個硬上限同一個已知失效模式。

六個會議記錄 AI 喺香港會議場景嘅實際差異：語言支援點查、港式會議 8 個語言位、逐項對比、價錢換算、PDPO 合規三問，同 10 項採購 checklist。

廣東話語音轉文字點為之「準」？本文拆 8 類香港粵語難點、一套 30 分鐘可重複嘅測試集砌法、WER 同 CER 點計，同一個唔會自欺嘅評分表。

Voice agent 兩大架構：Cascaded（ASR→LLM→TTS）同 S2S（一體化對聲）。呢篇拆解各自組件同優劣、五個揀選維度、粵語場景特別考慮，同任務式 API 點用短句切分、預取、快取做出即時感。