СРАВНИТЕЛЕН БЕНЧМАРК

Familiar срещу автоматичното дублиране на YouTube: изследване със замразена извадка

FAMILIAR ИЗСЛЕДВАНИЯОБНОВЕНО ВСИЧКИ СТАТИИ
ПРОЧЕТЕТЕ НАEnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

РЕЗЮМЕ

При замразена извадка от 50 двойки (арабски, испански, френски, хинди, корейски; заснета на 8 август 2026) Familiar измери със 182.9% по-високо сходство с говорещия от автоматичното дублиране на YouTube (0.399 срещу 0.141) и промени или изгуби със 70.3% по-малко важни идеи (43 срещу 145 от 528). YouTube имаше с 232.6% повече грешки във фоновия звук (11.21 срещу 3.37 dB). Familiar води и при вокалните събития. Използваем автоматичен дублаж имаше за 25 от 43 изходни клипа; Familiar дублира всички 43. Пълни данни и шест синхронизирани примера за слушане: пълният бенчмарк срещу YouTube.

Метод

ДВОЙКИ

50

Замразена извадка; един изходен клип × един целеви език.

ЕЗИЦИ

5

Арабски, испански, френски, хинди, корейски.

ЗАСНЕТО

8 август 2026

НАЛИЧНОСТ

25 от 43

Изходни клипове с използваем автоматичен дублаж от YouTube; Familiar дублира всички 43.

СДВОЕНИ, ТИП „ЧЕРНА КУТИЯ“
КАК СЕ ОЦЕНЯВАЕдин изходен клип × един целеви език; цялото готово аудио от двете системи.
МЕТРИКИ, ЧУВСТВИТЕЛНИ КЪМ ВРЕМЕТО
КАК СЕ ОЦЕНЯВАСамо 31 двойки с независимо проверено подравняване спрямо изходната времева линия (договор от 40 ms; несигурните двойки се изключват).
МЕТРИКИ ЗА СЪБИТИЯ
КАК СЕ ОЦЕНЯВА14-те двойки с проверени от човек области със смях или реакции.
ЛИПСВАЩИ ДУБЛАЖИ ОТ YOUTUBE
КАК СЕ ОЦЕНЯВАОстават изрично отбелязани и никога не се отчитат като нула.
ПРЕГЛЕД НА СМИСЪЛА
КАК СЕ ОЦЕНЯВАОценява изговорената реч; валидните перифрази и малките реакции във фона не са грешки; CER/WER са изключени.

Гласът: при тях е чужд

Автоматичният дублаж на YouTube говори с чужд глас; Familiar запазва гласа на оригиналния говорещ.

При 31-те точно подравнени двойки, сходството с истинския говорещ:

FIG. 01 · СХОДСТВО С ГОВОРЕЩИЯ (SIM-O) · 31 ПОДРАВНЕНИ ДУБЛАЖА · FAMILIAR +182.9%
FAMILIAR0.399
YOUTUBE0.141

Смисълът

От 528 важни идеи в оригинала в 50-те прегледани дублажа YouTube промени или изгуби 145, а Familiar 43.

FIG. 02 · ПРОМЕНЕНИ ИЛИ ИЗГУБЕНИ ВАЖНИ ИДЕИ ОТ ОРИГИНАЛА · ОТ 528 · FAMILIAR СЪС 70.3% ПО-МАЛКО
YOUTUBE145
FAMILIAR43
34/50

дублажа на YouTube с важен проблем в изговорения смисъл

18/50

дублажа на Familiar с важен проблем в изговорения смисъл

12 vs 0

критични грешки в смисъла, YouTube срещу Familiar

Сцената и реакциите

FIG. 03 · СПЕКТРАЛНА ГРЕШКА ВЪВ ФОНА · ОБЛАСТИ БЕЗ РЕЧ · YOUTUBE +232.6%
YOUTUBE11.21 dB
FAMILIAR3.37 dB
0.998 vs 0.236

корелация на формата на смеха и реакциите · 14 двойки със събития

0.11 vs 3.36 dB

грешка в силата на смеха и реакциите · 14 двойки със събития

25/43

изходни клипа с използваем автоматичен дублаж от YouTube; Familiar дублира всички 43

Familiar доставя готовия дублаж до 4K, с истински 5.1 съраунд или стерео микс.

Ограничения

Замразено изследване тип „черна кутия“ на заснетата извадка, а не твърдение за всеки дублаж на YouTube, всеки език или бъдеща версия на платформата.
В РАМКИТЕ НА ИЗВАДКАТА
Диагностика с модел, а не изследване със слушатели; несигурността е широка.
ПРОГНОЗИРАНА ЕСТЕСТВЕНОСТ · UTMOS 2.12 СРЕЩУ 1.85
Описателно; интервалът докосва нулата.
ВРЕМЕ НА ТРАНЗИЕНТИТЕ · 1.000 СРЕЩУ 0.789 F1

ИЗТОЧНИЦИ

  1. [1]Familiar срещу автоматичното дублиране на YouTube: пълни резултати, метод и примери за слушане
  2. [2]Всички бенчмаркове на Familiar: ElevenLabs, YouTube, човешки преводачи
  3. [3]Помощ за YouTube: Използване на автоматичното дублиране
  4. [4]Автоматичното дублиране на YouTube под лупа: какво измерихме

Мултимодален превод

Familiar Labs създава дублаж от ново поколение с мултимодален модел за вземане на решения при локализация (MLDM), първия фундаментален модел за мултимодален превод: един модел решава какво да се локализира в текста, звука и картината и ви показва вариантите. Вашият глас и устни, пренесени на нови езици. Екип от 8 души с PhD, с подкрепата на Samsung, RedBird и Gold House. Нашата мисия

Вижте пълния бенчмарк →Свържете се с екипа