粵語 Creator 嘅 AI 軍備競賽：開源 TTS + YouTube 全自動化攻略

當 Big Tech 當粵語係二等語言

Wing 尋日 WhatsApp 我：「Vincent，我想開個粵語 YouTube 頻道講科技，但把聲唔靚，用 AI 把聲得唔得？」我答佢：「得，但你唔好諗 ElevenLabs 或者 Azure。」點解？因為粵語喺 Big Tech 嘅 roadmap 上面，排名仲低過芬蘭文。Microsoft Azure 嘅神經 TTS 支援粵語？有，但得一把女聲，自然度叫做勉強合格，但你永遠冇得控制語氣、停頓、語速，更加冇得自訂詞彙發音。至於 ElevenLabs，2026 年今日仍然唔支援粵語——你畀錢都冇得用。呢個唔係技術問題，係商業問題。廣東話使用者得 8500 萬，對比英文 14 億、普通話 9 億，big tech 冇誘因投資。結果係乜？粵語创作者永遠靠把死聲，定係死死地氣用普通話？

答案係：自己砌。開源社群呢兩年搞咗好多突破性工具，尤其係 TTS 同 YouTube 自動化兩個領域。我哋可以將成個 pipeline 串連起嚟，由語音合成去到上片管理，完全唔使經過 Big Tech 嘅 API。以下係我俾 Wing 嘅完整攻略，亦都係每一個想做粵語內容嘅 creator 應該知嘅事。

開源粵語 TTS 嘅關鍵突破：VoxCPM2

先講把聲。我哋需要一個可以喺本地跑、支援粵語、自然度夠高嘅 TTS 引擎。VoxCPM2 係呢個領域嘅 game changer。佢係一個 2.5 億參數嘅因果音頻語言模型，可以用 prompt 方式做語音合成——你畀一段 3 秒嘅錄音做 reference，佢就學到嗰個人把聲嘅 tone、pitch、節奏，然後生成任意內容嘅語音。唔使 fine-tune，唔使 GPU cluster，一張 RTX 3090 就夠跑。Wing 屋企有張 4070，我用 prompt mode 幫佢 clone 咗把 demo 聲，全程唔使 10 分鐘。生成一句 10 秒嘅粵語句子，大約 2-3 秒就出到。自然度？我試過盲測，十個人有八個以為係真人錄音。關鍵係 VoxCPM2 嘅 architecture 係用 semantic tokens + acoustic tokens 嘅 two-stage 設計，先用 Whisper 嘅 encoder 抽出語義，再用自家嘅 acoustic model 還原音質。呢個設計令佢對低資源語言特別友好——因為 semantic 層係語言無關嘅。即係話，就算粵語嘅訓練數據遠少過英文，佢嘅生成質素仍然好過傳統嘅端到端模型。

但 TTS 只係第一步。你有咗把 AI 聲，跟住要寫稿、錄音、剪片、上片、管理留言——成個 workflow 你先得一個人，點搞？答案係 automation。

YouTube 全自動化：yutu 做你嘅幕後團隊

yutu 係一個用 Go 寫嘅 YouTube CLI 工具，464 粒星，Apache-2.0 授權。佢唔係普通嘅 API wrapper——佢有個 multi-agent 架構，分 orchestration、retrieval、modification、deletion 四個 agent，可以用自然語言互動。你同佢講「上載今日條片，標題用呢個 template，description 自動生成 hashtag 同 timestamp」，佢自己搞掂。我喺自己嘅 server 用 Docker 行咗一個 yutu MCP server，然後駁落 Claude Desktop，變咗可以就咁用自然語言管理 YouTube channel。例如我話：「幫我 check 吓琴日條片有冇新 comment，有嘅話自動 reply 多謝佢哋支持，順便畀個下次出片嘅時間表。」yutu 會自動 call YouTube Data API v3，拉 comment，根據我 preset 嘅 reply template 生成回覆，再貼上去。成個過程唔使開一次 browser。

yutu 仲支援 GitHub Actions 嘅 CI/CD 整合。你可以 set 好一個 workflow：每當你喺 GitHub push 一個新嘅 video draft（Markdown 檔案），youtube-uploader action 就會自動 render 影片、生成 thumbnail、上載、更新 playlist、post 去社交媒體。對於一個 solo creator 嚟講，呢個 automation 等於請咗半個 virtual assistant。

Content Intelligence：Youwee 做你嘅情報同剪輯中心

你得把聲同自動上載，但內容從邊度嚟？Youwee 呢個 897 粒星嘅 Tauri + React 跨平台工具幫到手。佢本質上係一個 yt-dlp 嘅 GUI frontend，支援 1800+ 網站下載，但真正嘅 killer feature 係佢嘅 AI pipeline。你可以 set 好一個 workflow：當你俾條 YouTube 連結佢，佢會自動下載影片、用 Whisper 生成 transcript、再用你揀嘅 LLM（支援 Gemini、OpenAI 或者本地 Ollama）做 summary，最後生成一份結構化筆記。我呢個 workflow 用嚟做乜？每日用 Youwee 追蹤十個相關嘅英文 YouTube channel，下載最新影片，自動生成粵語摘要，然後存入本地知識庫。呢啲摘要就變成我寫稿嘅原材料。

另一方面，Youwee 嘅 Plugins & Workflow Automation 系統可以簽名 .ywp plugin 做 post-download 處理。我寫咗一個 plugin 叫做「粵語轉譯器」：下載完一條英文片之後，自動用 LLM 將個 transcript 轉做口語粵語稿，再 call VoxCPM2 生成 AI 粵語旁白，最後合成一條新片。成個過程唔使 human in the loop。當然，質素未係完美——LLM 嘅粵語口語能力仲有進步空間，尤其係語氣助詞同俗語嘅運用。但作為初稿生成，呢個 pipeline 已經大幅壓縮咗由 research 到出片嘅時間，由傳統嘅兩三日變做幾個鐘。

成條 pipeline 點駁埋一齊

具體流程係咁：Youwee 每日自動 crawl 我嘅 RSS list，下載新片，做 AI summary 同粵語轉譯，寫成 Markdown draft 存入 GitHub repo。跟住 yutu 嘅 GitHub Actions detect 到新 draft，用 ffmpeg 合成 AI 語音 + 背景音樂 + 字幕，壓成 1080p 影片，自動上載去 YouTube，同時生成 SEO description、hashtag、timestamp comment。最後 yutu 嘅 agent mode monitor 住條片嘅留言同 analytics，有異常就通知我。

成件事最諷刺嘅係：用 open source 工具砌出嚟嘅 pipeline，靈活度同速度遠遠超過用 Big Tech 嘅 paid service。Azure 每個月收你幾千蚊仲要限制你 API call 次數，VoxCPM2 係免費嘅。YouTube Studio 嘅 batch operation 廢到喊，yutu 一個 command 搞掂。呢個唔係工程師嘅浪漫，而係一個 reality：當平台唔 care 你嘅語言，你要自己 care。

下一步行動

如果你係粵語 creator，唔好等 ElevenLabs 或者 Google 支援粵語。佢哋永遠唔會係 priority。VoxCPM2 已經夠做 production 級別嘅語音，yutu 同 Youwee 嘅社群好 active，bug fix 同 feature request 通常幾日內有人跟進。

Wing 最後問我：「咁樣用 AI 把聲，會唔會冇咗人味？」我嘅答案係：你嘅 insight、你嘅觀點、你揀嘅題材、你點樣連接本地文化——呢啲先係人味嘅來源。把聲只係 carrier。用 AI 把聲幫你慳返嚟嘅時間，你應該用嚟做好 research、寫靚個 script、同觀眾建立真連結。呢個先係 AI 時代嘅 creator 正確心態：用 automation 處理低價值重複勞動，用人類創意處理高價值差異化內容。

工具已經喺度，砌唔砌係你嘅選擇。