รีวิวจากผลวัดจริง

รีวิว ElevenLabs Dubbing: สิ่งที่เราวัด

FAMILIAR งานวิจัยอัปเดตเมื่อ บทความทั้งหมด
อ่านบทความนี้เป็นภาษาEnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

บทคัดย่อ

ElevenLabs Dubbing พากย์ได้เฉพาะเสียง เมื่อวัดบนคลิปชุดเดียวกัน ElevenLabs Dubbing v2 (Alpha) ทำข้อผิดพลาดด้านเสียงพื้นหลังมากกว่า Familiar ถึง 270% (เสียงหัวเราะ เสียงดนตรี และเสียงบรรยากาศ) และ Familiar แปลผิดจุดสำคัญในเสียงพูดน้อยกว่าถึง 54.7% (29 เทียบกับ 64 ผลลัพธ์เทียบคู่ 111 รายการ ในภาษาจีนกลาง สเปน และญี่ปุ่น 5 สิงหาคม 2026) บน ElevenLabs Dubbing v1 เสียงของ Familiar เหมือนผู้พูดตัวจริงมากกว่าถึง 27.8% ใกล้เคียงกว่าครบทั้ง 11 ภาษา (ผลลัพธ์เทียบคู่ 418 รายการ) ข้อมูลฉบับเต็มและตัวอย่างเสียงให้ลองฟัง: เบนช์มาร์ก ElevenLabs ฉบับเต็ม

ElevenLabs Dubbing คืออะไร

DUBBING V1

  • ช่องทางแบบโปรแกรมที่เสถียร ซึ่งการเชื่อมต่อส่วนใหญ่ใช้

DUBBING V2 (ALPHA)

  • ผลิตภัณฑ์ที่ใหม่กว่า ใช้งานผ่านเว็บไซต์

ทั้งสองรับไฟล์วิดีโอหรือเสียง ถอดเสียง แปลบท แล้วพูดคำแปลด้วยเสียงที่ตั้งใจให้เหมือนผู้พูดต้นฉบับ

ผลวัดด้านล่างคือเสียงเทียบกับเสียง

เสียงอย่างเดียวไม่มีลิปซิงค์ใบหน้ายังพูดภาษาต้นฉบับ

ทำอะไรได้ดี

API ที่พัฒนามานานและมีเอกสารครบ
เอนด์พอยต์เสถียร เชื่อมต่อได้ตรงไปตรงมา
รายการภาษากว้างมาก
มีประโยชน์เมื่อภาษาปลายทางอยู่นอกกลุ่มภาษาหลักไปมาก
การแปลงข้อความเป็นเสียงพูดแบบแยกที่แข็งแกร่ง
สำหรับงานบรรยายและวอยซ์โอเวอร์จากบท ยังเป็นเครื่องมือชั้นนำ
แบรนด์ที่ใหญ่ที่สุดในหมวดนี้
ผลิตภัณฑ์ที่คนส่วนใหญ่เจอเป็นอันดับแรกเมื่อค้นหาการโคลนเสียง การพากย์ด้วย AI หรือ AI lip sync

เราวัดอะไรบ้าง

การศึกษาแบบเทียบคู่และกล่องดำสองชุด ทั้งคู่ทำเมื่อ 5 สิงหาคม 2026

  1. 01

    คลิปต้นฉบับและภาษาปลายทางชุดเดียวกันส่งเข้าแต่ละระบบ

  2. 02

    ประเมินเฉพาะเสียงชิ้นงานสุดท้ายที่ผู้ใช้ได้รับ

  3. 03

    รายงานผลสองการศึกษาแยกกัน

การศึกษา A · เทียบกับ DUBBING V1
FIG. 01 · ความคล้ายผู้พูด · DUBBING V1 · FAMILIAR +27.8% · ครบทั้ง 11 ภาษา
FAMILIAR0.4605
ELEVENLABS0.3604
+95.5%

ElevenLabs มีข้อผิดพลาดในเสียงพูดที่ผู้ตรวจทำเครื่องหมายไว้มากกว่าถึง 95.5%

258 เทียบกับ 132
+261%

ElevenLabs ทำข้อผิดพลาดเชิงสเปกตรัมของเสียงพื้นหลังมากกว่าถึง 261%

12.27 เทียบกับ 3.40 dB
+10.2%

ความเป็นธรรมชาติที่คาดการณ์ได้ของ Familiar

2.51 เทียบกับ 2.28 · เชิงสำรวจ
ค่าสหสัมพันธ์ของรูปทรงเสียงหัวเราะและปฏิกิริยา: Familiar สูงกว่า +243.7% คือ 0.759 เทียบกับ 0.221 ค่า F1 ด้านจังหวะของเสียงประกอบและจังหวะ: Familiar สูงกว่า +24.3% คือ 0.947 เทียบกับ 0.762
การศึกษา A | ผลลัพธ์เทียบคู่ 418 รายการ | 38 คลิป | 11 ภาษา | ทดสอบเมื่อ 5 สิงหาคม 2026
การศึกษา B · เทียบกับ DUBBING V2 (ALPHA)
FIG. 02 · ข้อผิดพลาดการแปลจุดสำคัญ · DUBBING V2 (ALPHA) · FAMILIAR น้อยกว่า 54.7% · งานพากย์เทียบคู่ 111 รายการ
ELEVENLABS64
FAMILIAR29
FIG. 03 · งานพากย์ที่มีปัญหาด้านความหมายจุดสำคัญ · DUBBING V2 (ALPHA) 36/111 เทียบกับ FAMILIAR 23/111 (+56.5%)
  • งานพากย์ที่มีปัญหาด้านความหมายจุดสำคัญอย่างน้อยหนึ่งจุด32%
  • งานพากย์ที่ไม่มีปัญหาด้านความหมายจุดสำคัญ68%
270%

ElevenLabs ทำข้อผิดพลาดด้านเสียงพื้นหลังมากกว่าถึง 270% ทั้งเสียงหัวเราะ เสียงดนตรี และเสียงบรรยากาศ

11.92 เทียบกับ 3.22 dB MAE
+221%

ElevenLabs ทำข้อผิดพลาดด้านความดังของเสียงหัวเราะและปฏิกิริยามากกว่าถึง 221%

3.32 เทียบกับ 1.04 dB · 18 คลิป / 54 การเปรียบเทียบ
+28.2%

ค่าสหสัมพันธ์ของรูปทรงเสียงหัวเราะและปฏิกิริยาของ Familiar: 0.960 เทียบกับ 0.749 ช่วงความเชื่อมั่น 95% แบบเทียบคู่ไม่ครอบคลุมศูนย์

ความคล้ายผู้พูด: ยังสรุปไม่ได้ที่ขนาดตัวอย่างนี้ (ค่าประมาณแบบจุด +3.5% สำหรับ Familiar โดยช่วงความเชื่อมั่นคร่อมศูนย์) ความเป็นธรรมชาติที่คาดการณ์ได้ก็เช่นกัน ความครอบคลุม: Familiar ทำครบ 38/38 คลิปต้นฉบับ ส่วน Dubbing v2 (Alpha) ปฏิเสธคลิปความยาว 10.94 วินาที เพราะต่ำกว่าขั้นต่ำ 11 วินาที (37/38)
การศึกษา B | ผลลัพธ์เทียบคู่ 111 รายการ | จีนกลาง สเปน ญี่ปุ่น | ทดสอบเมื่อ 5 สิงหาคม 2026
FIG. 04 · การตรวจเชิงคุณภาพบนคลิปชุดเดียวกัน · ข้อบกพร่องของ ELEVENLABS แยกตามประเภท · 5 สิงหาคม 2026
ถ้อยคำ45
เสียงหัวเราะ/เสียงประกอบ8
เสียงหลุดจากผู้พูด6
พูดซ้อนกัน6
ลีลาการพูด4
เสียงบรรยากาศ4
ถ้อยคำ
จำนวน45
ฟังแล้วเป็นอย่างไรคำตกหล่นหรือแต่งคำขึ้นมาเอง
เสียงหัวเราะ/เสียงประกอบ
จำนวน8
ฟังแล้วเป็นอย่างไรเสียงหัวเราะและเสียงประกอบพังไป
เสียงหลุดจากผู้พูด
จำนวน6
ฟังแล้วเป็นอย่างไรเสียงของผู้พูดหายไป
พูดซ้อนกัน
จำนวน6
ฟังแล้วเป็นอย่างไรเสียงคนที่พูดซ้อนกันตีกันจนกลายเป็นเสียงเดียว
ลีลาการพูด
จำนวน4
ฟังแล้วเป็นอย่างไรแบนเรียบไป
เสียงบรรยากาศ
จำนวน4
ฟังแล้วเป็นอย่างไรเสียงพื้นหลังถูกตัดทิ้ง

ช่วงความเชื่อมั่น ผลแยกรายภาษา และตัวอย่างเสียงให้ลองฟัง: /benchmark/elevenlabs การเปรียบเทียบแบบตัวต่อตัวฉบับเต็ม: Familiar เทียบกับ ElevenLabs Dubbing: การศึกษาแบบเทียบคู่สองชุด

ข้อจำกัดของเวิร์กโฟลว์ในระดับทั้งคลังคอนเทนต์

สังเกตเมื่อ 5 สิงหาคม 2026:

11 วินาที

ความยาวคลิปขั้นต่ำ คลิปสั้น ฉากเปิดเรื่อง และคลิปรีแอ็กชันที่สั้นกว่านี้พากย์ไม่ได้ คลิปความยาว 10.94 วินาทีของเราถูกปฏิเสธ

20

จำนวนรายการต่อแบตช์ วิดีโอ 4 คลิปเป็น 6 ภาษาคือผลลัพธ์ 24 รายการ เกินกว่าที่แบตช์เดียวรับได้

30

จำนวนคำขอพร้อมกัน วิดีโอ 10 คลิปเป็น 10 ภาษาคือ 100 คำขอ ต้องแบ่งอย่างน้อยสี่รอบ

v1

การแก้คำแปล บน Dubbing v2 รุ่นปัจจุบัน การแก้บทถอดเสียงและการสร้างเสียงใหม่ผ่าน API มีเฉพาะแพ็กเกจ Enterprise เท่านั้น ส่วนตัวแก้ไขเต็มรูปแบบอย่าง Dubbing Studio ทำงานบนโมเดล v1 ซึ่งอยู่ในโหมดบำรุงรักษา (เอกสารของเขา 30 ตุลาคม 2026)

เรื่องทั้งหมดนี้ไม่สำคัญถ้าพากย์วิดีโอเดียวเป็นภาษาเดียว แต่สำหรับคลังเรื่องเก่าหรือกลุ่มช่องหลายภาษา ทางเลือกที่ดีที่สุดแทน ElevenLabs สำหรับงานพากย์ เปรียบเทียบตัวเลือกไว้แล้ว คู่มือสำหรับคลังคอนเทนต์และการเปิดตัว: แพลตฟอร์มสตรีมมิ่งปิดช่องว่างงานพากย์ภาษาท้องถิ่นอย่างไร และเปิดตัวหลายประเทศพร้อมกัน: พากย์ทุกตลาดในครั้งเดียว

ElevenLabsElevenLabsElevenLabsTHEIR 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

ราคา

ครบในงานเดียว

การเรนเดอร์ของ Familiar หนึ่งครั้ง ต่อนาทีชิ้นงานสำเร็จต่อภาษาปลายทาง ได้ทั้งคำแปล เสียงของผู้พูดเอง เสียงของฉาก และลิปซิงค์ ส่งมอบที่ความละเอียดสูงสุด 4K พร้อมมิกซ์ 5.1 แท้ หรือสเตอริโอ

ใช้งานผ่านสัญญา STUDIO
$3

ElevenLabs Dubbing ต่อนาทีที่พากย์ต่อภาษาปลายทาง เฉพาะเสียงเท่านั้น

ราคาหน้าชำระเงิน · 5 ส.ค. 2026

การต่อลิปซิงค์เพิ่มผ่าน Sync.so เครื่องมือแบบแยกที่ดีที่สุด เพิ่มอีก $8 ต่อนาที รวมเป็น $11 และก็ยังไม่มีมิกซ์ 5.1 เอกสารของ ElevenLabs เอง กล่าวถึงเสียงของงานพากย์ไว้ว่า:

…สเตอริโอเป็นอย่างมาก… เสียง 5.1 และเสียงหลายช่องสัญญาณอื่นๆ จะไม่ถูกรักษาไว้
ElevenLabs Help Center, which file formats are supported by Dubbing

เพื่อให้เห็นภาพ การพากย์โดยมนุษย์แบบครบวงจร ทั้งแปลและลงเสียง อยู่ที่ $70 ถึง $150 ต่อนาทีชิ้นงานสำเร็จ ในอัตรานี้จึงใช้ไม่ได้จริงกับคนส่วนใหญ่ของโลก งานด้านภาพระดับสูงคือเครื่องมือช่วย อย่าง Flawless TrueSync ที่ต้องใช้ทีมศิลปิน VFX และเวลาหลายสัปดาห์ต่อโปรเจกต์ และทุกภาษาก็คือโปรเจกต์ใหม่ ElevenLabs พากย์ในครั้งเดียวจบแต่ต้องยอมเสียสิ่งที่วัดไว้ข้างต้น ส่วน Familiar คือครั้งเดียวจบและได้คุณภาพ

ภาพรวมราคาทั้งตลาด รวมถึงอัตราการพากย์โดยมนุษย์: การพากย์เสียงราคาเท่าไหร่ในปี 2026

บทสรุป

การพากย์วิดีโอ

ผลวัดชี้ไปอีกทาง

การสร้างเสียงแบบแยก
บทสรุปElevenLabs ยังเป็นเครื่องมือชั้นนำ และสำหรับการพากย์เฉพาะเสียงเป็นภาษาที่มีผู้ใช้น้อย อาจเป็นตัวเลือกเดียวที่ใช้ได้จริง
การพากย์วิดีโอ
บทสรุปแปลผิดน้อยกว่าและข้อผิดพลาดด้านเสียงของฉากต่ำกว่าในทั้งสองการศึกษา และเสียงใกล้ผู้พูดตัวจริงกว่า 27.8% บน Dubbing v1
บนจอ
บทสรุปใบหน้าที่พูดภาษาใหม่ ทั้งลิปซิงค์และการแสดงทางสีหน้าทั้งหมดที่มากกว่านั้น
ข้อความคำแปล
บทสรุปทดสอบแยกต่างหากเทียบกับนักแปลมืออาชีพระดับผู้เชี่ยวชาญ และเทียบเท่าร่างแรกของพวกเขา (AI เทียบกับนักแปลมนุษย์: ทดสอบเทียบกับมืออาชีพ)
HeyGenHeyGenElevenLabsElevenLabsHeyGen + 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
30 ภาษา จากภาษาใดก็ได้ไปภาษาใดก็ได้คำแปล + เสียง + เสียงของฉาก + ลิปซิงค์ ในการเรนเดอร์เดียวภาพสูงสุด 4K · มิกซ์ 5.1 แท้ใช้งานผ่านสัญญา STUDIO ปรับขนาดตามคลังคอนเทนต์ของคุณ

แหล่งอ้างอิง

  1. [1]เบนช์มาร์ก Familiar เทียบกับ ElevenLabs: ผลฉบับเต็ม ช่วงความเชื่อมั่น และตัวอย่างเสียงให้ลองฟัง
  2. [2]AI เทียบกับนักแปลมนุษย์: ทดสอบเทียบกับมืออาชีพ (การศึกษาการแปลฉบับเต็ม)
  3. [3]เอกสาร ElevenLabs Dubbing
  4. [4]ElevenLabs Help Center: Dubbing รองรับไฟล์รูปแบบใดบ้าง (เสียงสเตอริโอเป็นอย่างมาก ไม่รักษา 5.1)

การแปลแบบมัลติโมดัล

Familiar Labs สร้างงานพากย์ที่ก้าวกระโดดไปอีกขั้น ด้วยโมเดลตัดสินใจด้านโลคัลไลเซชันแบบมัลติโมดัล (MLDM) โมเดลพื้นฐานตัวแรกสำหรับการแปลแบบมัลติโมดัล โมเดลเดียวที่ตัดสินใจว่าจะปรับอะไรให้เข้ากับท้องถิ่น ทั้งในข้อความ เสียง และภาพ พร้อมแสดงตัวเลือกให้คุณเห็น เสียงและริมฝีปากของคุณ ถ่ายทอดสู่ภาษาใหม่ ทีม 8 คนที่มีปริญญาเอก ได้รับการสนับสนุนจาก Samsung, RedBird และ Gold House ภารกิจของเรา

ดูเบนช์มาร์กฉบับเต็ม →คุยกับทีม