PRIAMY BENCHMARK

Familiar vs automatický dabing YouTube: štúdia na zafixovanej kohorte

FAMILIAR VÝSKUMAKTUALIZOVANÉ VŠETKY ČLÁNKY
ČÍTAŤ V JAZYKUEnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

ABSTRAKT

Na zafixovanej kohorte 50 párov (arabčina, španielčina, francúzština, hindčina, kórejčina; zachytené 8. augusta 2026) nameral Familiar o 182.9% vyššiu podobnosť s hovoriacim než automatický dabing YouTube (0.399 vs 0.141) a zmenil alebo stratil o 70.3% menej dôležitých myšlienok (43 vs 145 z 528). YouTube mal o 232.6% viac chýb vo zvuku v pozadí (11.21 vs 3.37 dB). Familiar viedol aj vo zvukových prejavoch. Použiteľný automatický dabing existoval pre 25 zo 43 zdrojových klipov; Familiar nadaboval všetkých 43. Kompletné dáta a šesť synchronizovaných ukážok na počúvanie: celý benchmark YouTube.

Metóda

PÁRY

50

Zafixovaná kohorta; jeden zdrojový klip × jeden cieľový jazyk.

JAZYKY

5

Arabčina, španielčina, francúzština, hindčina, kórejčina.

ZACHYTENÉ

8. augusta 2026

DOSTUPNOSŤ

25 zo 43

Zdrojové klipy s použiteľným automatickým dabingom YouTube; Familiar nadaboval všetkých 43.

PÁROVÉ, BLACK-BOX
AKO SA HODNOTÍJeden zdrojový klip × jeden cieľový jazyk; kompletný hotový zvuk z oboch systémov.
METRIKY CITLIVÉ NA ČASOVANIE
AKO SA HODNOTÍIba 31 párov s nezávisle overeným zarovnaním na zdrojovú časovú os (zmluva 40 ms; neisté stopy sa vyradia).
METRIKY UDALOSTÍ
AKO SA HODNOTÍ14 stôp s ľudsky overenými úsekmi smiechu či reakcií.
NEDOSTUPNÉ STOPY YOUTUBE
AKO SA HODNOTÍZostávajú výslovne uvedené, nikdy sa nehodnotia nulou.
KONTROLA VÝZNAMU
AKO SA HODNOTÍPosudzuje dodanú reč; platné parafrázy a drobné reakcie v pozadí nie sú chyby; CER/WER vynechané.

Hlas: ich je cudzí

Automatický dabing YouTube hovorí cudzím hlasom; Familiar zachová hlas pôvodného hovoriaceho.

Na 31 presne zarovnaných pároch, podobnosť so skutočným hovoriacim:

FIG. 01 · PODOBNOSŤ S HOVORIACIM (SIM-O) · 31 ZAROVNANÝCH DABINGOV · FAMILIAR +182.9%
FAMILIAR0.399
YOUTUBE0.141

Význam

Z 528 dôležitých zdrojových myšlienok v 50 skontrolovaných dabingoch YouTube zmenil alebo stratil 145; Familiar 43.

FIG. 02 · DÔLEŽITÉ ZDROJOVÉ MYŠLIENKY ZMENENÉ ALEBO STRATENÉ · Z 528 · FAMILIAR O 70.3% MENEJ
YOUTUBE145
FAMILIAR43
34/50

dabingov YouTube s dôležitým problémom v hovorenom význame

18/50

dabingov Familiar s dôležitým problémom v hovorenom význame

12 vs 0

kritických zlyhaní významu, YouTube vs Familiar

Scéna a reakcie

FIG. 03 · SPEKTRÁLNA CHYBA POZADIA · ÚSEKY BEZ REČI · YOUTUBE +232.6%
YOUTUBE11.21 dB
FAMILIAR3.37 dB
0.998 vs 0.236

korelácia priebehu smiechu a reakcií · 14 stôp s udalosťami

0.11 vs 3.36 dB

chyba hlasitosti smiechu a reakcií · 14 stôp s udalosťami

25/43

zdrojových klipov s použiteľným automatickým dabingom YouTube; Familiar nadaboval všetkých 43

Familiar dodáva hotový dabing až do 4K so skutočným priestorovým mixom 5.1 alebo v stereu.

Obmedzenia

Zafixovaná black-box štúdia zachytenej kohorty, nie tvrdenie o každom dabingu YouTube, každom jazyku či budúcej verzii platformy.
V RÁMCI KOHORTY
Diagnostika modelu, nie štúdia s ľudskými poslucháčmi; jej neistota je veľká.
PREDIKOVANÁ PRIRODZENOSŤ · UTMOS 2.12 VS 1.85
Opisné; jeho interval sa dotýka nuly.
NAČASOVANIE TRANZIENTOV · F1 1.000 VS 0.789

ZDROJE

  1. [1]Familiar vs YouTube Auto-Dub: kompletné výsledky, metóda a ukážky na počúvanie
  2. [2]Všetky benchmarky Familiar: ElevenLabs, YouTube, ľudskí prekladatelia
  3. [3]Pomocník YouTube: používanie automatického dabingu
  4. [4]Recenzia automatického dabingu YouTube: čo sme namerali

MULTIMODÁLNY PREKLAD

Familiar Labs prináša o generáciu lepší dabing vďaka multimodálnemu rozhodovaciemu modelu pre lokalizáciu (MLDM), prvému základnému modelu pre multimodálny preklad: jeden model rozhoduje, čo lokalizovať v texte, zvuku aj obraze, a ukáže vám možnosti. Váš hlas a vaše pery, prenesené do nových jazykov. Tím 8 ľudí s PhD, s podporou Samsungu, RedBird a Gold House. Naša misia

Pozrieť celý benchmark →Ozvite sa tímu