BENCHMARK FRENTE A FRENTE

Familiar vs dublagem automática do YouTube: um estudo de coorte congelada

FAMILIAR PESQUISAATUALIZADO TODOS OS ARTIGOS
LEIA EMEnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

RESUMO

Em uma coorte congelada de 50 pares (árabe, espanhol, francês, hindi, coreano; capturada em 8 de agosto de 2026), a Familiar mediu 182.9% mais semelhança com a voz real de quem fala do que a dublagem automática do YouTube (0.399 contra 0.141) e alterou ou perdeu 70.3% menos ideias importantes (43 contra 145 de 528). O YouTube teve 232.6% mais erros no som de fundo (11.21 contra 3.37 dB). A Familiar também ficou à frente nas risadas e reações. Havia dublagem automática utilizável para 25 de 43 clipes de origem; a Familiar dublou os 43. Dados completos e seis exemplos sincronizados para ouvir: o benchmark completo do YouTube.

Método

PARES

50

Coorte congelada; um clipe de origem × uma língua de destino.

LÍNGUAS

5

Árabe, espanhol, francês, hindi, coreano.

CAPTURA

8 de agosto de 2026

DISPONIBILIDADE

25 de 43

Clipes de origem com dublagem automática do YouTube utilizável; a Familiar dublou os 43.

PAREADO, CAIXA-PRETA
COMO É AVALIADAUm clipe de origem × uma língua de destino; o áudio final completo dos dois sistemas.
MÉTRICAS SENSÍVEIS AO TEMPO
COMO É AVALIADASó os 31 pares com alinhamento à linha do tempo da origem verificado de forma independente (tolerância de 40 ms; faixas incertas ficam de fora).
MÉTRICAS DE EVENTOS
COMO É AVALIADAAs 14 faixas com trechos de risadas ou reações verificados por pessoas.
FAIXAS SEM DUBLAGEM DO YOUTUBE
COMO É AVALIADAFicam explícitas e nunca contam como zero.
REVISÃO DE SENTIDO
COMO É AVALIADAAvalia a fala entregue; paráfrases válidas e pequenas reações de fundo não são erros; CER/WER excluídos.

A voz: a deles é a de um estranho

A dublagem automática do YouTube fala com a voz de um estranho; a Familiar mantém a voz original de quem fala.

Nos 31 pares exatamente alinhados, a semelhança com a voz real de quem fala:

FIG. 01 · SEMELHANÇA COM A VOZ REAL (SIM-O) · 31 DUBLAGENS ALINHADAS · FAMILIAR +182.9%
FAMILIAR0.399
YOUTUBE0.141

O sentido

Das 528 ideias importantes da origem nas 50 dublagens revisadas, o YouTube alterou ou perdeu 145; a Familiar, 43.

FIG. 02 · IDEIAS IMPORTANTES DA ORIGEM ALTERADAS OU PERDIDAS · DE 528 · FAMILIAR 70.3% MENOS
YOUTUBE145
FAMILIAR43
34/50

dublagens do YouTube com um problema importante no sentido da fala

18/50

dublagens da Familiar com um problema importante no sentido da fala

12 contra 0

falhas críticas de sentido, YouTube contra Familiar

A cena e as reações

FIG. 03 · ERRO ESPECTRAL NO SOM DE FUNDO · TRECHOS SEM FALA · YOUTUBE +232.6%
YOUTUBE11.21 dB
FAMILIAR3.37 dB
0.998 contra 0.236

correlação da forma das risadas e reações · 14 faixas de eventos

0.11 contra 3.36 dB

erro de volume das risadas e reações · 14 faixas de eventos

25/43

clipes de origem com dublagem automática do YouTube utilizável; a Familiar dublou os 43

A Familiar entrega a dublagem finalizada em até 4K, com mixagem em surround 5.1 real ou estéreo.

Limitações

Um estudo de caixa-preta congelado da coorte capturada, não uma afirmação sobre toda dublagem, língua ou versão futura da plataforma YouTube.
RESTRITO À COORTE
Um diagnóstico de modelo, não um estudo de escuta com pessoas; a incerteza é ampla.
NATURALIDADE PREVISTA · UTMOS 2.12 VS 1.85
Descritivo; o intervalo encosta no zero.
TEMPO DOS TRANSIENTES · F1 1.000 VS 0.789

REFERÊNCIAS

  1. [1]Familiar vs dublagem automática do YouTube: resultados completos, método e exemplos para ouvir
  2. [2]Todos os benchmarks da Familiar: ElevenLabs, YouTube, tradutores humanos
  3. [3]Ajuda do YouTube: usar a dublagem automática
  4. [4]Dublagem automática do YouTube: o que medimos

TRADUÇÃO MULTIMODAL

A Familiar Labs faz dublagem uma geração à frente com um Modelo Multimodal de Decisão de Localização (MLDM), o primeiro modelo de fundação para tradução multimodal: um só modelo decide o que localizar em texto, áudio e imagem, e mostra para você as escolhas. Sua voz e seus lábios, levados para novas línguas. Uma equipe de 8, com doutores, investida por Samsung, RedBird e Gold House. Nossa missão

Veja o benchmark completo →Fale com a equipe