Οπτικοακουστική μετάφραση με τη μία, όχι σε αλυσίδα

01. Τι ήταν η εποχή της αλυσίδας στη μηχανική μεταγλώττιση;

Η μηχανική μεταγλώττιση ξεκίνησε ως αλυσίδα: τέσσερα εργαλεία στη σειρά, φτιαγμένα και ρυθμισμένα το καθένα χωριστά, με το καθένα να παραδίδει το αποτέλεσμά του στο επόμενο.

1. 01

   Μεταγραφή.

   Η μετατροπή ομιλίας σε κείμενο καταγράφει ό,τι ειπώθηκε.
2. 02

   Μετάφραση.

   Ένα μοντέλο κειμένου αποδίδει τη μεταγραφή στη νέα γλώσσα, χωρίς να ακούει τη φωνή ή να βλέπει το πρόσωπο.
3. 03

   Μια φωνή.

   Η μετατροπή κειμένου σε ομιλία διαβάζει τη μετάφραση δυνατά, συχνά με τη φωνή ενός ξένου.
4. 04

   Lip sync.

   Ένα ξεχωριστό εργαλείο κινεί το στόμα με τον νέο ήχο, αφού έχει κλειδώσει κάθε λέξη.

Αυτή η αλυσίδα έκανε δυνατή τη μηχανική μεταγλώττιση. Το όριό της βρίσκεται στο σχήμα της: κάθε στάδιο μαντεύει χωρίς τα άλλα. Η μετάφραση δεν μπορεί να ξέρει ότι η ατάκα πρέπει να χωρέσει σε ένα κλειστό στόμα. Η φωνή δεν μπορεί να ξέρει σε ποιον χώρο βρίσκεται. Μια λέξη που ακούστηκε λάθος ή μια ατάκα που βγαίνει μεγάλη περνά παρακάτω, και το λάθος συσσωρεύεται σε κάθε επόμενο στάδιο.

Κάθε εργαλείο βελτιώθηκε με τα χρόνια: καθαρότερη μεταγραφή, πιο εύστοχη μετάφραση, πιο φυσική φωνή. Η τελική μεταγλώττιση βελτιωνόταν πιο αργά, γιατί οι ραφές ανάμεσα στα εργαλεία έμεναν εκεί που ήταν.

02. Τι συναντά σήμερα ένας αγοραστής;

Στην πράξη η αλυσίδα φτάνει ως στοίβα εργαλείων: τη μεταγραφή από ένα, τη μετάφραση από άλλο, τη φωνή από τρίτο, το lip sync και τους υπότιτλους από τέταρτο. Μια διόρθωση σε μία ατάκα σημαίνει ότι ξανατρέχει κάθε στάδιο μετά από αυτήν, και κάποιος στην ομάδα σας κρατά τα αρχεία ενωμένα. Τα εργαλεία που παρακάμπτουν τη στοίβα ανταλλάσσουν ποιότητα με χρόνο. Τα υποβοηθητικά εργαλεία φτάνουν την ποιότητα με μια ομάδα καλλιτεχνών VFX στα δύσκολα πλάνα: εβδομάδες για κάθε έργο, και κάθε γλώσσα είναι ένα καινούργιο έργο. Τα εργαλεία που κάνουν τη δουλειά με τη μία είναι γρήγορα και θυσιάζουν τα υπόλοιπα: η φωνή ξεφεύγει, ο ήχος του χώρου χάνεται, και τα χείλη αποτυγχάνουν σε ένα χέρι μπροστά στο πρόσωπο, ένα μικρόφωνο, θόλωμα, bokeh, μια πλάγια λήψη ή πολλά άτομα στο κάδρο, χωρίς καμία αντίληψη του χώρου και καμία κατανόηση του κόσμου. Το Familiar κάνει τη δουλειά με τη μία και με την ποιότητα.

Ο άλλος δρόμος είναι η πλήρης ανθρώπινη μεταγλώττιση, μετάφραση και φωνή, με $70–150 ανά τελικό λεπτό. Το κόστος, το ανθρώπινο δυναμικό και ο χρόνος την κάνουν απρόσιτη για το μεγαλύτερο μέρος του κόσμου: ακόμα και οι μεγαλύτερες παραγωγές μεταγλωττίζονται σε λίγες μόνο γλώσσες, ενώ οι μικρότερες παραγωγές, οι σειρές και τα κάθετα δράματα συνήθως δεν μεταγλωττίζονται καθόλου.

HeyGenElevenLabsHeyGen + ElevenLabsONE-SHOT TOOLS · NO CONTROL

One shot today means giving up the rest.

The one-shot tools today give up the rest: the translation cannot be edited, the music and the room drop out, the voice drifts, and the lips fail on a hand over the face, a microphone, blur, bokeh, a side view or several people in frame. No spatial reasoning, no understanding of the world, no control. ElevenLabs' current Dubbing v2 edits only through an Enterprise API, and its full editor is the older model, in maintenance mode; HeyGen stitches a lip-sync over a dub like that, and the lip-sync breaks on the ordinary shots of any episode. Familiar is one shot and the quality: translation first, reviewed; then the voice, the lips and the scene together, through the hard shots.

54.7%

FEWER TRANSLATION ERRORS · FAMILIAR VS ELEVENLABS DUBBING V2

270%

ELEVENLABS MORE BACKGROUND-SOUND ERROR · THE LAUGHTER, THE MUSIC, THE AMBIENCE

+27.8%

FAMILIAR CLOSER TO THE REAL SPEAKER

FAMILIAR · ONE SHOT AND THE QUALITYFamiliar vs Flawless TrueSync →The ElevenLabs study →The demos →

Αν εξετάζετε το ElevenLabs Dubbing, ορίστε η τεκμηρίωσή τους, σε παράθεση, δίπλα στη μελέτη μας:

ElevenLabsElevenLabsTHEIR DOCS, READ OCTOBER 30, 2026

Editing the translation means their old model.

On ElevenLabs' current Dubbing v2, in alpha, editing the translation and regenerating the audio through the API is for their Enterprise plans only. Their full editor, Dubbing Studio, is "only available via the v1 model" and "in maintenance mode", in their words. Dubbing v1 is the model our 418-pair study measured, and its output is mono.

+27.8%

FAMILIAR CLOSER TO THE REAL SPEAKER · ALL 11 LANGUAGES

261%

ELEVENLABS MORE BACKGROUND ERROR · THE MUSIC, THE AMBIENCE

+243.7%

FAMILIAR ON LAUGHTER AND REACTION SHAPE

ELEVENLABS DUBBING V1 · 418 PAIRED OUTPUTS · 11 LANGUAGES · AUGUST 5, 2026Read the study →Their docs ↗

03. Τι αλλάζει όταν ένα μοντέλο παίρνει κάθε απόφαση;

Το Familiar μεταγλωττίζει με ένα πολυτροπικό μοντέλο αποφάσεων τοπικοποίησης (MLDM). Το MLDM αποφασίζει τι θα τοπικοποιηθεί και πώς, σε κείμενο, ήχο και εικόνα, και οι αποφάσεις συμφωνούν επειδή τις παίρνει ένα μοντέλο. Ο ορισμός βρίσκεται στο Το πρώτο θεμελιώδες μοντέλο για πολυτροπική μετάφραση.

Αυτό που παίρνετε πίσω είναι η ερμηνεία του ίδιου του ηθοποιού σε άλλη γλώσσα: η φωνή του, τα χείλη του, οι εκφράσεις του και ο ήχος της σκηνής, όλα μαζί. Ένα ανέβασμα βγαίνει σε κάθε γλώσσα ταυτόχρονα: μεταγλωττίσεις σε 30 γλώσσες, από υλικό σε οποιαδήποτε από 99 γλώσσες-πηγές.

Οι κοινές αποφάσεις αλλάζουν και το τι μπορεί να πάει στραβά. Μια ατάκα που θα έβγαινε μεγάλη αποδίδεται ώστε να χωρά στον χρόνο και στο στόμα πριν φτιαχτεί οποιαδήποτε φωνή. Ένα γέλιο στη μέση μιας πρότασης μένει γέλιο. Όταν δύο άνθρωποι μιλούν ο ένας πάνω στον άλλον, το μοντέλο ξέρει ποιος λέει ποια ατάκα, οπότε κινούνται τα σωστά χείλη.

04. Τι αλλάζει αυτό στην τελική μεταγλώττιση;

Περνάμε τα ίδια κλιπ και από τα δύο συστήματα και τα βαθμολογούμε με τον ίδιο τρόπο. Κάθε νούμερο προέρχεται από τη δική του μελέτη, δημοσιευμένη στο benchmark.

Μετριέται και η φωνή: το Familiar ακούγεται 27.8% πιο κοντά στον πραγματικό ομιλητή από το ElevenLabs Dubbing v1, πιο κοντά και στις 11 γλώσσες, στη μελέτη που παρατίθεται παραπάνω.

Η αυτόματη μεταγλώττιση του YouTube είχε 232.6% περισσότερα λάθη στον ήχο περιβάλλοντος στη δική της μελέτη. Η σκηνή επιβιώνει επειδή το MLDM ακούει τα πάντα στο κανάλι, τα γέλια, το πλήθος, τη μουσική, βρίσκει την κύρια φωνή, τη μεταφέρει στη νέα γλώσσα με τη φωνή του ίδιου του ομιλητή και αφήνει τα υπόλοιπα όπως ήταν.

05. Τι σημαίνει «πρώτα η μετάφραση, και μετά η μεταγλώττιση με τη μία»;

++

Πρώτα η μετάφραση, και μετά η μεταγλώττιση με τη μία: η φωνή, τα χείλη και η σκηνή μαζί.

Η σειρά μετράει. Πρώτα έρχεται η μετάφραση, και την ελέγχουν οι creative directors σας: όπου μια ατάκα μπορεί να βγει με περισσότερους από έναν τρόπους, βλέπουν τις αποδόσεις μαζί με το σκεπτικό της καθεμίας και διαλέγουν μία. Μόνο τότε γίνεται η μεταγλώττιση, μία φορά. Τίποτα καινούργιο δεν επινοείται. Όχι «παραγωγική τεχνητή νοημοσύνη», αλλά μετάφραση στην υπηρεσία των δημιουργών. MLDM για την κουραστική δουλειά.

Οι υπότιτλοι κόβονται κατά τις συμβάσεις του Timed Text Style Guide του Netflix, του προτύπου υποτίτλων με το οποίο δουλεύει ο κλάδος. Κάθε μεταγλώττιση επεξεργάζεται στο δικό του cluster από NVIDIA B300 GPU αξίας οκτώ ψηφίων που έχει το Familiar στο Τορόντο του Καναδά, ποτέ σε δημόσιο cloud όπως το Google Cloud ή το AWS, και ποτέ από τρίτο πάροχο inference. Τα αρχεία βρίσκονται στην τεκμηρίωση για τα παραδοτέα, η επεξεργασία στο ιδιωτικό inference, και τι σημαίνει όλο αυτό για έναν κατάλογο στο Τι σημαίνει ένα θεμελιώδες μοντέλο για πολυτροπική μετάφραση για τα στούντιο και τις πλατφόρμες.

06. Ποιος παίρνει την τελική απόφαση;

1. ΣΗΜΕΡΑ

   Οι creative directors σας ελέγχουν τις αποφάσεις της μετάφρασης.

   Οι αποδόσεις μαζί με το σκεπτικό της καθεμίας· διαλέγουν μία πριν βγει οτιδήποτε προς τα έξω.
2. ΣΗΜΕΡΑ

   Μια λίστα «Χωρίς μετάφραση» και ένα πλαίσιο μίας πρότασης ταξιδεύουν μαζί με την εργασία.

3. ΣΤΑ ΣΚΑΡΙΑ

   Οι αποφάσεις για τον ήχο και την εικόνα, στον ίδιο έλεγχο.

   Τι μένει στην πρωτότυπη γλώσσα, άλλο πρόσωπο όταν το μοντέλο διάλεξε λάθος ομιλητή, και το κείμενο μέσα στο κάδρο.

Αυτό που αλλάζει για έναν κατάλογο είναι η εμβέλεια. Μια σειρά που θα έμενε σε μία γλώσσα μπορεί να βγει σε 30 μαζί, με τις ερμηνείες των ίδιων των ηθοποιών, ενώ η ομάδα σας παίρνει ακόμα κάθε απόφαση που μετράει.

Αυτό είναι το αρχείο αποφάσεων· όλη η ιστορία βρίσκεται στο Το αρχείο αποφάσεων: πώς οι creative directors κατευθύνουν το MLDM, και τι αποφασίζει το μοντέλο στο Τι είναι ένα πολυτροπικό μοντέλο αποφάσεων τοπικοποίησης (MLDM);. Η έρευνα πίσω του βρίσκεται στο Πρωτοπορία στην πολυτροπική μετάφραση: από την κοινή οπτικοακουστική έρευνα στο πρώτο θεμελιώδες μοντέλο. Από άνθρωπο σε άνθρωπο, σε όλο και περισσότερο κόσμο.

ΕΡΩΤΗΣΕΙΣ