台灣中文文字轉語音工具比較：口音、發音與配音工作流程
要製作給台灣觀眾聽的中文配音，先比較明確提供台灣國語語音的 Azure Speech 與 Google Cloud Text-to-Speech。如果你需要特定人物的聲線、較多情緒表現或可重複使用的授權聲音，再把 ElevenLabs 與 Fish Audio 納入試聽。能讀繁體中文，不代表每個聲音都有台灣口音。
這份比較依據供應商的語言與語音文件，並提供一套可用自己的腳本重做的試聽方法。它涵蓋地名、數字、中英夾雜、長段落、修改成本與授權檢查。我們尚未完成這四個服務的台灣母語盲聽評測，因此不給出虛構的自然度分數，也不把展示音檔當成所有腳本的品質保證。
先依配音用途縮小選擇
| 工具 | 建議先試的用途 | 台灣中文依據 | 使用前要確認的事 |
|---|---|---|---|
| Microsoft Azure Speech | 課程旁白、通知、需要指定地區語音的應用程式 | 官方列出 zh-TW 語音 | 選定聲音的發音、停頓與可用控制功能 |
| Google Cloud Text-to-Speech | 已使用 Google Cloud 的服務、批次配音 | 官方列出 cmn-TW 的 Standard 與 WaveNet 語音 | 實際選用的語音種類、計費方式及輸出設定 |
| ElevenLabs | 需要聲線選擇與表情的創作者 | 官方提供中文合成；特定口音仍需選聲與試聽 | 不要把支援中文等同於每個聲音都支援台灣口音 |
| Fish Audio | 使用指定聲音或授權錄音的旁白流程 | 官方提供繁體中文文字處理規則與指定聲音功能 | 文字正規化、聲線與口音是不同層次的設定 |
前兩項是較容易建立地區語音基準的選擇，後兩項則適合比較聲線與表現方式。這是依文件做的選用建議，不是四個服務已在同一組錄音中分出勝負。
Azure Speech：先用明確標示台灣的聲音建立基準
Microsoft 的語言與語音支援表將台灣中文標為 zh-TW，並列出 HsiaoChen、YunJhe、HsiaoYu 等語音。指定這類地區語音，比只在搜尋欄輸入「Chinese」更容易縮小選擇。
先用一段你真的會發布的腳本，比較語速、句尾停頓與重音。不要只聽問候語。課程旁白常有術語與縮寫，商品介紹常有型號與價格，電話通知則需要把日期和時間讀得清楚。適合其中一種用途的聲音，不一定適合另外兩種。
可控制的功能也要以選定語音的文件為準。支援某個語音，不代表同時支援所有情緒風格、角色或進階控制。先證明聲音能穩定讀完重要內容，再研究細部調整，會比一開始堆疊標記更容易找出問題。
Google Cloud：挑選 cmn-TW，不要只看模型名稱
Google 的官方語音清單列有 cmn-TW-Standard-A、B、C，以及 cmn-TW-Wavenet-A、B、C。若要建立台灣國語的比較基準，這些明確標示地區的語音比泛稱中文的選項更有辨識力。清單中的其他模型是否提供同一地區，仍要逐項確認。
批次配音時，保存完整語音識別碼與輸出設定。只記「用了 Google 的女聲」，之後很難重製同一段旁白。若專案需要每週新增內容，先做兩次分開的生成，檢查同一聲音在不同段落的語氣是否適合接在一起。
Google 的價格說明區分語音類型與計費方式。不要把某一類語音的免費額度套到所有模型。文字、標點、空格與部分標記都可能影響計費字元數；實際估算應使用要送出的內容，並把重做的段落也算進去。
ElevenLabs：聲線選擇不能取代台灣口音試聽
ElevenLabs 的文字轉語音文件列出中文支援，也提供多種模型與聲音選擇。這足以把它列入中文配音候選，但不能據此保證每個聲音都會用台灣慣用發音。
比較時固定腳本，先換聲音，再考慮換模型。一次改兩項，聽到差異時便不容易判斷原因。若選擇的是個人聲音或聲音庫項目，保留識別碼、授權狀態與試聽日期，避免下一次使用時找不到相同條件。
情緒表現也要符合用途。產品操作教學通常需要清楚而穩定，角色對話可能需要更多起伏。展示片段裡鮮明的表演，不一定能連續聽十分鐘。試聽時先關掉背景音樂，讓過度停頓、呼吸聲與語氣轉折容易被聽見。
若還需要評估配音、聲音複製與 API 的整體工作流程，可參考我們的 ElevenLabs 評測（英文）。其中的整體評分不是台灣國語專項測試，選聲時仍應使用本文的發音檢查。
Fish Audio：繁體中文處理與聲音口音要分開看
Fish Audio 的文字轉語音文件說明如何使用指定聲音，也列出 zh-TW、zh-Hant 與 zh-Hant-TW 的繁體中文文字正規化規則。這些規則涉及文字如何被處理，不能單靠語言標籤認定所選聲音具有台灣口音。
對有固定品牌旁白的團隊，重點是能否在授權範圍內維持同一聲線。先用短段落測試，再增加篇幅。聲音相似、文字念對與整段語氣自然是三項不同的驗收條件，應分別記錄。
DIY AI Studio 的語音功能與供應商網站是不同服務。本文比較外部工具的能力，不表示 Studio 已提供它們全部的模型、聲音、參數或免費額度。Studio 的可用選項與點數報價，以實際介面為準；我們沒有把尚未完成台灣口音驗證的聲音標成「已驗證台灣國語」。
用六類句子檢查發音，不只聽流暢度
以下是自製的測試腳本，不是任何工具的測試結果。請把它們替換成你專案中的真實詞彙，讓測試能反映發布風險。
| 測試項目 | 可使用的句子 | 要聽什麼 |
|---|---|---|
| 台灣地名 | 我們從台北出發，經過板橋，再到高雄左營。 | 地名是否正確、停頓是否切在詞中間 |
| 多音字 | 銀行今天調整利率，請重新確認這筆交易。 | 銀行、調整、重新等詞的讀音 |
| 金額與小數 | 這份訂單是新台幣一千二百五十元，折扣是百分之七點五。 | 金額、單位與小數是否容易理解 |
| 日期與時間 | 會議安排在十月二十二日下午三點半。 | 日期與時間是否連成模糊的一串數字 |
| 中英夾雜 | 請開啟 Wi-Fi，再把 PDF 檔案上傳到專案。 | 英文字詞是否突兀、前後語速是否改變 |
| 引號與語氣 | 他說：「先別送出，我想再確認一次。」 | 引號內容是否被念成指令、語氣是否合適 |
接著加入一段沒有換行的長文字，再把同一段分成幾個自然段落。比較兩種版本，確認分段是否改善停頓，或讓每一段都重新起腔。這項測試比單純追求最快生成速度更貼近課程、教學與長篇旁白的需求。
讓熟悉台灣國語的人盲聽同一段落
先把音量調到相近程度，再將音檔改成 A、B、C 等代號，避免品牌名稱影響判斷。每位試聽者應先獨立記下不自然的時間點，再一起討論。只問「喜歡哪一個」會把聲線喜好與發音正確混在一起。
建議分開評估發音、詞彙、語氣和可編輯性。發音錯誤必須定位到實際字詞；語氣問題則記錄過度重音、句末上揚或不必要的停頓。若一句話需要反覆重生才能使用，也把重做次數列入，不要只保留最成功的一版。
保留原文和每次修改後的版本。修正某個詞時，先調整標點或換成意思相同、比較不易誤讀的寫法，再查看服務是否提供發音控制。不能為了讓模型念對，就把錯字放進對外字幕；旁白稿與字幕稿必要時可以分開管理。
在 Google 焦點新聞、AI 摘要與 AI 模式中查看更多我們的報導。
成本要看採用的旁白，不只看生成字數
假設一個專案有十段旁白，其中四段因為品牌名發音需要重做兩次。這些重做會增加生成量，卻不增加成品長度。這只是預算範例，不是任何服務的實測失敗率。
實用的計算方式是：這個專案的生成支出，除以最後採用的音訊分鐘數。再另外記錄改稿、試聽和剪輯時間。按字元計費的 API、訂閱內含額度與工作室點數，不能直接當成同一單位比較。
中文文字也不應直接用英文字數估算。檢查服務計的是字元、位元組、token 還是音訊長度，並以實際報價與帳務紀錄為準。選好聲音後，先鎖定容易出錯的專有名詞，再生成整篇，可以減少重做長段落的浪費。
如果已把選擇縮小到兩家，可以接著閱讀 Fish Audio 與 ElevenLabs 的工作流程比較（英文），再把長篇製作、重做成本與聲音授權列入自己的採購表。
商業旁白與聲音複製要保留可查證的授權
若要用於廣告、課程或客戶專案，確認所選方案與聲音允許該用途，並保留當時的授權說明。可下載音檔與可商業使用是不同問題。第三方聲音庫也可能有個別條件，不宜只看平台首頁的宣傳文字。
複製聲音前，取得說話者對用途的明確同意。團隊應記錄誰提供錄音、同意哪些用途，以及誰可以存取生成的聲音。測試錄音避免包含客戶機密或無關個資；刪除專案前也要確認供應商的保留與刪除方式。
本文提供的是產品選用與製作流程比較，沒有替個別專案判定授權是否足夠。遇到來源不明的公眾人物聲音，或無法確認同意的錄音，直接改用有明確使用權的聲音，通常比事後補救更實際。
哪一種選法比較適合你的專案
如果首要需求是台灣國語發音，先讓 Azure 的 zh-TW 與 Google 的 cmn-TW 語音讀同一段稿，建立可比較的基準。如果首要需求是品牌聲線或角色表情，再加入 ElevenLabs 與 Fish Audio，並用相同的發音測試確認能否保留台灣用語與語氣。
正式投入長篇製作前，完成一段含地名、金額、縮寫與品牌名的短稿。留下版本、設定、成本與錯誤時間點，再決定要固定哪個聲音。你需要的是能持續交付、方便修改的旁白流程，而不只是第一句聽起來好聽的示範。
你可能也會喜歡：
