Audiovizuálny preklad naraz, nie kaskádovo

01. Čo bola éra kaskád v strojovom dabingu?

Strojový dabing začínal ako kaskáda: štyri nástroje za sebou, každý postavený a ladený samostatne, každý odovzdával svoj výsledok ďalšiemu.

1. 01

   Prepis.

   Prevod reči na text zapíše, čo zaznelo.
2. 02

   Preklad.

   Textový model prevedie prepis do nového jazyka bez toho, aby počul hlas alebo videl tvár.
3. 03

   Hlas.

   Prevod textu na reč prečíta preklad nahlas, často cudzím hlasom.
4. 04

   Synchronizácia pier.

   Samostatný nástroj pohne ústami podľa nového zvuku, až keď je každé slovo hotové.

Táto reťaz umožnila strojový dabing. Jej hranica je v samotnom tvare: každá fáza háda bez ostatných. Preklad nemôže vedieť, že replika sa musí zmestiť do zavretých úst. Hlas nemôže poznať miestnosť, v ktorej znie. Zle počuté slovo alebo príliš dlhá replika sa posúvajú ďalej a chyba sa v každej ďalšej fáze sčítava.

Každý nástroj sa za tie roky zlepšil: čistejší prepis, presnejší preklad, prirodzenejší hlas. Hotový dabing sa zlepšoval pomalšie, pretože švy medzi nástrojmi zostali tam, kde boli.

02. S čím sa kupujúci stretne dnes?

V praxi prichádza kaskáda ako balík nástrojov: prepis z jedného, preklad z druhého, hlas z tretieho, synchronizácia pier a titulky zo štvrtého. Oprava jednej repliky znamená znova spustiť každú fázu po nej a niekto vo vašom tíme drží súbory pokope. Nástroje, ktoré balík obchádzajú, vymieňajú kvalitu za čas. Asistenčné nástroje dosiahnu kvalitu s tímom VFX umelcov na ťažkých záberoch: týždne práce na projekt a každý jazyk je nový projekt. Nástroje na jeden krok sú rýchle a obetujú všetko ostatné: hlas sa odchyľuje, priestor zmizne a pery zlyhajú pri ruke pred tvárou, mikrofóne, rozmazaní, bokehu, pohľade z boku či viacerých ľuďoch v zábere, bez priestorového uvažovania a bez porozumenia svetu. Familiar je jeden krok aj kvalita.

Druhou cestou je kompletný ľudský dabing, preklad aj hlas, za 70 až 150 $ za hotovú minútu. Náklady, ľudská sila a čas ho robia pre väčšinu sveta nedosiahnuteľným: aj veľké produkcie dabujú len do niekoľkých jazykov a menšie produkcie, seriály a vertikálne drámy väčšinou nedabujú vôbec.

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 →

Ak zvažujete ElevenLabs Dubbing, tu je ich dokumentácia, citovaná, vedľa našej štúdie:

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. Čo sa zmení, keď o všetkom rozhoduje jeden model?

Familiar dabuje s multimodálnym rozhodovacím modelom pre lokalizáciu (MLDM). MLDM rozhoduje, čo lokalizovať a ako, v texte, zvuku aj obraze, a rozhodnutia k sebe sedia, pretože ich robí jeden model. Definícia je v článku Prvý základný model pre multimodálny preklad.

Späť dostanete vlastný výkon herca v inom jazyku: jeho hlas, pery, mimiku aj zvuk scény, prenesené spoločne. Jedno nahratie vyjde vo všetkých jazykoch naraz: dabing do 30 jazykov zo záberov v ktoromkoľvek z 99 zdrojových jazykov.

Spoločné rozhodovanie mení aj to, čo sa môže pokaziť. Replika, ktorá by bola príliš dlhá, sa preloží tak, aby sedela do času aj do úst, ešte predtým, než vznikne akýkoľvek hlas. Smiech uprostred vety zostane smiechom. Keď si dvaja ľudia skáču do reči, model vie, kto hovorí ktorú repliku, takže sa pohnú správne pery.

04. Čo to zmení v hotovom dabingu?

Rovnaké klipy pošleme oboma systémami a hodnotíme ich rovnako. Každý údaj pochádza z vlastnej štúdie, zverejnenej v benchmarku.

Meria sa aj hlas: Familiar znie o 27.8% viac ako skutočný hovoriaci než ElevenLabs Dubbing v1, bližšie vo všetkých 11 jazykoch, v štúdii citovanej vyššie.

Automatický dabing YouTube mal vo vlastnej štúdii o 232.6% viac chýb vo zvuku v pozadí. Scéna prežije, pretože MLDM počuje všetko, čo je v stope, smiech, dav, hudbu, nájde hlavný hlas, prenesie ho do nového jazyka vlastným hlasom hovoriaceho a zvyšok nechá tak, ako bol.

05. Čo znamená „najprv preklad, potom dabing v jednom kroku“?

++

Najprv preklad, potom celý dabing v jednom kroku: hlas, pery aj scéna naraz.

Na poradí záleží. Preklad prichádza prvý a vaši kreatívni riaditelia ho skontrolujú: kde sa dá replika vyznieť viacerými spôsobmi, vidia znenia s odôvodnením každého z nich a jedno vyberú. Až potom vznikne dabing, raz. Nič nové sa nevymýšľa. Nie „generatívna AI“, ale preklad v službách tvorcov. MLDM na mravčiu prácu.

Titulky sa strihajú podľa konvencií Timed Text Style Guide od Netflixu, šablónového štandardu titulkov, podľa ktorého pracuje celé odvetvie. Každý dabing sa spracúva na vlastnom klastri spoločnosti Familiar v osemcifernej hodnote z GPU NVIDIA B300 v kanadskom Toronte, nikdy vo verejnom cloude, ako je Google Cloud alebo AWS, a nikdy u externého poskytovateľa inferencie. Súbory sú opísané v dokumentácii k výstupom, spracovanie v privátnej inferencii a čo to znamená pre katalóg v článku Čo znamená základný model pre multimodálny preklad pre štúdiá a platformy.

06. Kto má posledné slovo?

1. DNES

   Vaši kreatívni riaditelia kontrolujú rozhodnutia o preklade.

   Znenia s odôvodnením každého z nich; jedno vyberú skôr, než čokoľvek odíde.
2. DNES

   Zoznam Neprekladať a kontext v jednej vete idú spolu s úlohou.

3. PRIPRAVUJEME

   Rozhodnutia o zvuku a obraze na tej istej kontrole.

   Čo zostane v pôvodnom jazyku, iná tvár, keď model určil nesprávneho hovoriaceho, a text v zábere.

Pre katalóg sa mení dosah. Seriál, ktorý by zostal v jednom jazyku, môže vyjsť v 30 naraz, s vlastnými výkonmi hercov, zatiaľ čo váš tím stále robí každé rozhodnutie, na ktorom záleží.

To je záznam rozhodnutí; celý príbeh je v článku Záznam rozhodnutí: ako kreatívni riaditelia vedú MLDM a o čom model rozhoduje, v článku Čo je MLDM. Výskum za ním je v článku Priekopníci multimodálneho prekladu: od spoločného audiovizuálneho výskumu k prvému základnému modelu. Od človeka k človeku, k širšiemu publiku.

OTÁZKY