廣東話內容創作革命：開源 TTS 零成本出高質粵語片

廣東話有 8500 萬人使用，每條粵語 YouTube 片背後都係血汗——撰稿、錄音、NG、剪輯，搞足半日。但你寫好稿、按個掣就有 AI 幫你讀？呢個唔係未來，係而家。

Big Tech 嘅盲點，開源嘅契機

粵語係全球第 19 大語言，母語者多過意大利文、韓文。但 ElevenLabs 支援 29 種語言，冇粵語。OpenAI TTS 有 6 種，冇粵語。Google Cloud TTS 有粵語，但質素機械感重、語調奇怪。

唔係技術問題，係商業問題。粵語數據唔少，但清洗標註成本高，回報率唔夠普通話或英文高。開源模型唔需要滿足 shareholders，只需要滿足用家。VoxCPM2 證明了高質素粵語 TTS 唔係技術難題，係優先級問題。

VoxCPM2 實測：免費做到幾好？

VoxCPM2 係神經網絡語音合成模型，支援零樣本語音克隆。俾一段 5-10 秒參考錄音，佢就學識你把聲。我用 RTX 3090 實測，安裝用 Docker，第一次 infer 約 30 秒 warm-up，之後每 100 字約 5-8 秒。

質素遠超 Google TTS，接近 ElevenLabs 英文水準。粵語九聲六調處理自然，冇咗「鬼佬講粵語」嘅怪異感。地道詞彙如「踎低起身見頭暈」偶有瑕疵，但 YouTube 旁白、Podcast 完全收貨。最大突破係語調——句子有返正常高低抑揚，唔似以前咁平舖直敘。

OmniVoice Studio：文字到影片 Pipeline

單有 TTS 唔夠，你需要完整 pipeline。OmniVoice Studio 整合咗 TTS 生成、字幕同步、語音克隆、批量處理。

Workflow：貼稿、選聲、生成、輸出。我用 2000 字地道飲食文測試——深水埗掃街到中環 fine dining，生成約 3 分鐘，準確率 95% 以上。「咖喱魚蛋」「絲襪奶茶」「避風塘炒蟹」全部讀得正確。一條片嘅生產時間由 3-4 小時縮短到 30-45 分鐘，效率提升 5 倍。

香港 Creator 嘅戰略機會

第一，門檻大幅降低。以前要錄音室同靚咪，而家只要一部電腦同識打字。第二，量產成為可能，一日出 3-5 條高質素片。第三，多語言擴展——同一篇文可以出粵語 YouTube、普通話小紅書、英文 LinkedIn。

未來 12 個月會見到一批全新粵語頻道湧現，靠開源工具加 AI 嘅獨立創作者。先入場嘅人會攞到最大紅利。

行動建議

而家做四件事：下載 VoxCPM2 用 Docker 起 local instance；錄 10 秒粵語錄音做 reference；試生成 500 字旁白；出一條片放 YouTube。成本零，風險零，但你可能係第一批用呢個技術嘅粵語 creator。開源 TTS 唔係取代人聲，係將內容創作自動化，等你專注喺最緊要嘅嘢——內容本身同洞察。