DÉFINITION

Qu'est-ce qu'un modèle de fondation multimodal pour la localisation (MLFM) ?

FAMILIAR LABS RECHERCHEMIS À JOUR LE TOUS LES ARTICLES

RÉSUMÉ

Le premier modèle de fondation pour la traduction multimodale, un nouveau paradigme, le premier du genre. Le MLFM est un seul modèle qui décide ce qu'il faut localiser et comment, dans le texte, le son et l'image, et qui vous montre les choix qui comptent. D'abord la traduction, puis le doublage en une seule passe : la voix, les lèvres et la scène ensemble. Les décisions s'accordent parce qu'un seul modèle les prend. La personne ne change jamais.
LE PREMIER MODÈLE DE FONDATION POUR LA TRADUCTION MULTIMODALELA TRADUCTION AUDIOVISUELLE D'UN SEUL TENANT, PAS EN CASCADE

Que décide le MLFM ?

TEXTE
Quelle version porte une réplique dans la nouvelle langue. Le MLFM pèse plusieurs traductions et retient la meilleure : dans une blague, une histoire ou un échange, un seul mot change l'intention et l'émotion. Les mêmes décisions couvrent les termes, ce qui ne se traduit pas, l'argot gardé tel quel, le nom et la marque conservés, une référence remplacée par une autre que le public connaît, ce que la culture évite, et les grossièretés atténuées pour une version jeune public.
SON
D'abord, quoi traduire. Le MLFM entend tout dans la piste : les rires, la foule, un cri, une voix en arrière-plan que personne ne distingue. Il repère la voix principale, la porte dans la nouvelle langue avec la propre voix du locuteur, et laisse le reste tel quel.
IMAGE
Qui le dit vraiment. Le son et l'image sont décidés ensemble : le MLFM sait qui raconte, qui parle hors champ et quelles lèvres doivent bouger. Les lèvres suivent les nouveaux mots à chaque réplique, occlusions et raisonnement spatial compris ; les expressions et les gestes suivent quand l'insistance ou la culture l'exige.

LES CHOIX QUE VOUS VOYEZ

TEXTE
AUJOURD'HUI
Là où une réplique peut se lire de plusieurs façons, vos directeurs artistiques reçoivent les traductions et leur argumentaire et en choisissent une. Un podcast, un épisode ou un film peut compter beaucoup de passages de ce genre.
EN PRÉPARATION
SON
AUJOURD'HUI
EN PRÉPARATION
Choisir ce qui reste dans la langue d'origine. Un chant scandé, un cri ou une expression peuvent rester tels quels quand vous le souhaitez.
IMAGE
AUJOURD'HUI
EN PRÉPARATION
Choisir un autre visage quand le modèle s'est trompé de locuteur, et choisir le texte à l'image à traduire. Ce texte, un écran de téléphone, une couverture de livre, un panneau de rue, une devanture, sera rédigé dans les termes que vous avez déjà choisis ; le modèle décide à la volée ce qui reste tel que tourné, une marque, un nom, l'argot : un paquet de Tostitos reste Tostitos.

Pourquoi un seul modèle ?

UNE CHAÎNE D'OUTILS

  • La reconnaissance vocale, puis la traduction, puis une voix, puis le lipsync, chaque étape réglée séparément.
  • C'est cette chaîne qui a rendu le doublage automatique possible.
  • Chaque étape devine pourtant sans les autres, si bien que les erreurs s'accumulent d'une étape à l'autre.

UN SEUL MODÈLE DE FONDATION, LE PREMIER DU GENRE

  • Le MLFM prend les décisions ensemble.
  • La traduction connaît la bouche à laquelle elle doit s'ajuster.
  • La voix connaît la scène dans laquelle elle s'inscrit.
  • La personne ne change jamais.
++
D'abord la traduction, puis le doublage en une seule passe : la voix, les lèvres et la scène sortent ensemble, des mêmes décisions.

La traduction audiovisuelle d'un seul tenant, pas en cascade : la première du genre. C'est ce qui fait du MLFM le premier modèle de fondation pour la traduction multimodale : un seul modèle qui porte les mots, la voix, les lèvres et la scène dans une nouvelle langue, tout à la fois. Aujourd'hui, la voie de la qualité est assistée : une équipe d'artistes VFX et des semaines par projet, chaque langue étant un nouveau projet. Les outils en une seule passe d'aujourd'hui sont rapides et sacrifient tout le reste. Familiar Labs, c'est une seule passe, et la qualité.

HeyGenHeyGenElevenLabsElevenLabsHeyGen + ElevenLabsOUTILS EN UNE SEULE PASSE · AUCUN CONTRÔLE

Les outils en une seule passe d'aujourd'hui sacrifient tout le reste

La traduction n'est pas modifiable, la musique et l'ambiance disparaissent, la voix dérive, et les lèvres décrochent dès qu'il y a une main devant le visage, un micro, du flou, du bokeh, un plan de profil ou plusieurs personnes à l'image. Aucun raisonnement spatial, aucune compréhension du monde, aucun contrôle.

Quelle différence entre localisation et traduction ?

La traduction, ce sont les mots. La localisation, c'est ce qu'une culture attend d'eux.

Les bons termes, l'argot, les noms gardés tels quels, une référence remplacée par une autre que le public connaît, ce que cette culture évite, le niveau de grossièreté qui convient. Le MLFM décide de tout cela, et avec le temps de l'image aussi, quand elle doit changer.

Le MLFM est-il de l'IA générative ?

Non. IBM la définit ainsi :

L'IA générative, parfois appelée gen AI, est une intelligence artificielle (IA) capable de créer du contenu original, comme du texte, des images, des vidéos, de l'audio ou du code logiciel, en réponse à l'invite ou à la demande d'un utilisateur.
IBM, What is generative AI?

C'est un outil puissant pour créer du neuf. Le MLFM n'a pas de prompt, et rien de nouveau n'est inventé : il décide comment localiser ce qui existe déjà. La position complète est exposée dans Pourquoi Familiar Labs n'est pas de l'IA générative au sens traditionnel et Traduire n'est pas générer.

À qui appartiennent ces décisions ?

À vous. Chaque décision que prend le MLFM est enregistrée avec le doublage, dans le relevé des décisions.

  1. AUJOURD'HUI

    Vos directeurs artistiques valident les décisions de traduction.

    Les traductions possibles, chacune avec son argumentaire ; ils en choisissent une avant toute diffusion.
  2. AUJOURD'HUI

    Une liste « Ne pas traduire » et un contexte d'une phrase accompagnent la tâche.

  3. EN PRÉPARATION

    Les décisions sur le son et l'image, sur le même écran de validation.

  4. EN PRÉPARATION

    La mémoire des décisions.

    Un choix retenu pour un créateur s'applique en premier au doublage suivant : un choix fait une fois vaut aussi pour l'épisode suivant.

Le détail est dans Le relevé des décisions ; l'API prévue, dans la documentation des décisions.

QUESTIONS

Que signifie MLFM ?

MLFM signifie Multimodal Localization Foundation Model, en français modèle de fondation multimodal pour la localisation : un nouveau paradigme, le premier du genre, un seul modèle qui décide quoi localiser et comment, dans le texte, le son et l'image. Il choisit la version d'une réplique, ce qu'il faut traduire dans le son, qui parle à l'écran, et comment suivent les lèvres, les expressions et les gestes.

Le MLFM est-il un modèle vidéo ?

Pas au sens habituel. Le MLFM travaille sur des images qui existent déjà et décide comment les localiser : les mots, la voix, les lèvres et les expressions. La personne à l'écran reste exactement qui elle est, dans chaque langue.

RÉFÉRENCES

  1. [1]IBM, What is generative AI?, consulté le 27 octobre 2026
  2. [2]Notre mission
  3. [3]FAQ de Familiar Labs

Traduction multimodale

Familiar Labs conçoit un doublage d'une génération d'avance grâce à un modèle de fondation multimodal pour la localisation (MLFM), le premier modèle de fondation pour la traduction multimodale : un seul modèle décide ce qu'il faut localiser dans le texte, le son et l'image, et vous montre les choix. Votre voix et vos lèvres, portées dans de nouvelles langues. Une équipe de 7 personnes, dont des docteurs, soutenue par Samsung, RedBird et Gold House. Notre mission

SOUTENU PAR

  • Stanford
  • Yonsei
  • University of Waterloo