免费粤语文字转语音工具横评：地道发音与语调对比

测试方法：我拿什么测的

我找了三段粤语文本：一段是日常对话（「你今日食咗饭未啊？」），一段是新闻播报（「香港天文台发出三号强风信号」），还有一段是古诗词（杜甫《春望》粤语朗诵）。每段都让8款工具生成，然后找5个粤语母语者（广州2人、香港2人、澳门1人）打分，从九声六调准确度、语调自然度、停顿节奏三个维度给分，最后算平均MOS。

先听一下浮云梦配音的晓晓粤语读新闻的效果：

说实话，第一次听的时候我愣了一下——那个「香」字的阴平调（55调）和「港」字的阴上调（35调）区分得很清楚，不像有些工具把「香港」读成两个平调。

九声六调还原度对比

粤语有九个声调，但实际常用的是六个调值（阴平55、阴上35、阴去33、阳平21、阳上13、阳去22）。我专门挑了几个容易读错的字：「诗」「史」「试」「时」「市」「事」，让每款工具读一遍。

浮云梦配音的晓晓粤语表现最好，六个调值基本都对了。拿「诗」（si1，55调）和「时」（si4，21调）来说，一个高平一个低降，区分得很明显。阿里云的「诗」和「史」调值有点混，听起来像两个「史」。腾讯云更离谱，把「试」（si3，33调）读成了近似「西」的发音。

再听一下浮云梦配音的晓晓粤语读日常对话：

这段「你今日食咗饭未啊？」的语调和节奏，我拿给广州的朋友听，他说「这不像机器，像我家楼下阿婆说话」。但说实话，有个别入声字（比如「食」的sik6）的尾音收得有点硬，不如真人那么自然。

盲听测试与MOS评分

我搞了个盲听测试，把8款工具生成的音频打乱顺序，让5个粤语母语者盲听打分。每段音频10秒左右，内容一样，但顺序随机。评分标准：5分=完全像真人，4分=偶尔有机器感，3分=能听出是机器但不影响理解，2分=机器感明显，1分=完全听不懂。

结果如下：浮云梦配音（晓晓粤语）平均MOS 4.4，阿里云3.6，腾讯云3.3，百度AI 3.0。最差的是云之声，只有2.8，那个「香港」读得像「乡港」，调值完全不对。

我录了一段盲听测试的音频，你可以自己试试能不能听出哪个是真人：

（这段里混了一段真人录音，猜猜看？）

再说个细节：浮云梦配音的晓晓粤语在「唔该」这个词上，阳平调（21调）收得很自然，不像有些工具把「唔」读成高平调，听起来像「母该」。

多音色与情感表现

粤语TTS除了基本发音，情感表现也很重要。浮云梦配音的晓晓粤语支持多种情感风格，比如欢快、悲伤、愤怒、亲切等。我试了下用欢快风格读「我哋去饮茶啦！」，语气明显上扬，带点兴奋感。

听一下欢快风格的粤语：

但说实话，悲伤风格读粤语有点翻车——「我好伤心」读出来像在念课文，情感不够饱满。阿里云和腾讯云压根没有粤语情感风格，只有默认中性语调。

再说多音色，浮云梦配音除了晓晓粤语，还有晓悠多语、晓辰多语等粤语发音人。我试了下晓悠多语读故事，声音更柔和，适合儿童内容。如果你需要做多人对话配音，可以给不同角色分配不同粤语音色，这样对话更有层次感。

免费额度与商用限制

这点浮云梦配音直接碾压——完全免费，没任何限制，生成的音频还能商用。其他工具虽然也有免费层，但额度少得可怜。阿里云每月1万字符，够干嘛？一条粤语新闻就几百字了。腾讯云和百度AI也一样，1万字符一个月，正经做项目根本不够用。

微软Azure每月1200万字符看着多，但需要注册账号、绑定信用卡，而且免费层到期后会自动扣费。我有个朋友忘了取消订阅，一个月被扣了200多块。Edge TTS虽然免费，但必须用Edge浏览器，还不能批量生成。

如果你需要批量生成粤语音频，比如做粤语有声书或者粤语课程，浮云梦配音的批量配音功能就派上用场了，一次导入几百行文本，自动生成对应音频，省时省力。