САЖЕТАК
Четири проблема
Питајте шта чини добру синхронизацију видеа и добићете дуг списак. Своди се на четири ставке:
Ако прве две закажу, ништа после њих није важно: погрешно преведена реченица или глас који очигледно није тај довољни су да сами оборе синхронизацију. Последње две одлучују да ли резултат делује као оригинал или као синхронизација.
Природан превод: нов сценарио, а не пресликавање
Сваки језик ствари изражава на свој начин: речима, идиомима, грађом реченице, облицима обраћања, па и тиме шта се уопште изговара. Затражите од модела да „преведе“ и он ће реченице из језика А пресликати једну по једну у језик Б. Људи раде исто: кад им се задатак постави као превођење, он се сведе на претварање реченица.
Синхронизација преведена на тај начин разумљива је, а погрешна.
- Јапански избегава превише директан израз; природна реплика често мора да се изгради изнова, посредно, а не да се ублажава реч по реч.
- Корејски стално изоставља субјекат; енглеске заменице пренете у корејски енглеском учесталошћу звуче страно чак и кад је свака реч тачна.
- Ред речи, регистар, облици поштовања и оно што култура прећуткује мењају се са сваким језиком; превод није добар само зато што је дословно значење преживело.
„Добро“ се не да свести на контролну листу, па циљ сажимамо у једну реченицу: добро пренети садржај видеа на циљни језик. То се може измерити:
квалитета стручног људског превода код Familiar-а, слепо оцењено према стручним референтним исправкама
ФРАНЦУСКИ, КИНЕСКИ, ХИНДИ, ИНДОНЕЖАНСКИ (ПРВИ ПРОЛАЗ СТРУЧНИХ ПРОФЕСИОНАЛНИХ ПРЕВОДИЛАЦА)мање важних грешака у преводу код Familiar-а на истим клиповима (29 наспрам 64)
НАСПРАМ ELEVENLABS DUBBING V2 (ALPHA) · 111 УПАРЕНИХ СИНХРОНИЗАЦИЈА · 3 ЈЕЗИКАПриродан звук: иста особа, на новом језику
Изговор је готово решен. Занимљиви промашаји долазе после њега:
- Идентитет: иста особа и даље звучи као иста особа, на сваком језику.
- Емоција: оно што је говорник осећао преживи промену језика.
- Нагласак, темпо, намера: где се реченица ослања, колико брзо тече и шта покушава да постигне.
Циљ се сажима исто као и код превода: звук одговара видеу. Не „направи језик Б гласом из језика А“, већ иста изведба, на новом језику. А сцена је део звука: смех, музика, просторија.
више оштећења позадинског звука код ElevenLabs-а (11.92 наспрам 3.22 dB): музика, ефекти, амбијент
СТУДИЈА DUBBING V2 (ALPHA) · ИСТИ КЛИПОВИвећа сличност говорнику код Familiar-а (0.461 наспрам 0.360), ближе на свих 11 језика
НАСПРАМ ELEVENLABS · СТУДИЈА DUBBING V1 · 418 УПАРЕНИХ СИНХРОНИЗАЦИЈА
ElevenLabsElevenLabsTHEIR DOCS, READ OCTOBER 30, 2026Editing the translation means their old model.
+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
Текст на екрану је део видеа
Савремени видео се ослања на текст на екрану: натписе, шале, мимове, једну реч тачно у ритму. Сваки од њих је визуелни догађај на изворном језику. Његово прилагођавање има два услова:
- Никада не оштетити видео. Артефакти или визуелно ометање чине резултат горим од оригинала.
- Никада га не преводити дословно. Пре него што га прилагодите, морате да разумете зашто се тај текст појављује баш у том тренутку, баш на том месту.
Familiar-ов мултимодални модел одлучивања о локализацији (MLDM), први фундаментални модел за мултимодални превод, нова парадигма, прва те врсте, данас уз синхронизацију преводи наслове, описе и титлове. Текст унутар кадра је у припреми: екран телефона или улична табла, исписани терминима које сте већ изабрали, док бренд или име у ходу остају онакви какви су снимљени, па кесица Tostitos остаје Tostitos, а ви бирате који текст се преводи. Правило важи: ако се измена може приметити, није довољно добра.
Синхронизација усана: успех је кад је нико не примети
Синхронизација усана носи исти строги услов: никада не оштетити видео. Највећи комплимент који може да добије јесте питање „шта се променило?“
Ефекат ради и у корист синхронизације. Кад се уста поклопе, мозак нејасноће разрешава у корист сагласности: изговор делује јасније, а боја гласа више као иста особа.
Тешки делови су гласови ван кадра, говорници који се преклапају, људи који изгледају или звуче слично и измена уста без нарушавања лица. Ставите двоје људи у кадар и данашњи алати синхронизују обоја уста одједном.
Усне су тек почетак. Човек реченицу изводи целим лицем (очима, обрвама, образима, главом) и телом: гестовима, климањем, оним пола такта слушања.
Један проблем, а не четири
Сваки услов се сводио на исту реченицу. Природан превод: напиши оно што овај видео каже, на циљном језику. Природан звук: задржи исту изведбу у новим речима. Текст на екрану: знај зашто је ту пре него што га дирнеш. Синхронизација усана: измени особу, а да је не нарушиш.
Иста изведба, на другом језику.
О томе одлучује MLDM, мерено на истим клиповима и објављено на /benchmark. Свака одлука се бележи уз задатак и може се преиначити; ваши креативни директори данас бирају међу варијантама превода.
ИЗВОРИ
- [1]Бенчмарк Familiar наспрам ElevenLabs: комплетни резултати, интервали и примери за слушање
- [2]AI наспрам људског превода: тестирано наспрам професионалаца
- [3]AI синхронизација усана: шта је, шта промаши, шта је боље
- [4]Зашто синхронизација у иностранству делује неприродно и како је студији поправљају (студијска верзија овог аргумента)
- [5]McGurk & MacDonald, “Hearing lips and seeing voices,” Nature 264 (1976)
Мултимодални превод
Familiar Labs развија генерацијски бољу синхронизацију помоћу мултимодалног модела одлучивања о локализацији (MLDM), првог фундаменталног модела за мултимодални превод: један модел одлучује шта локализовати у тексту, звуку и слици и показује вам изборе. Ваш глас и ваше усне, пренети на нове језике. Тим од 8 са докторима наука. Подржавају их Samsung, RedBird и Gold House. Наша мисија