เบนช์มาร์กแบบตัวต่อตัว

Familiar เทียบกับ ElevenLabs Dubbing: การศึกษาแบบเทียบคู่สองชุด

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

บทคัดย่อ

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

ระเบียบวิธี

DUBBING V1 · ผลลัพธ์เทียบคู่

418

38 คลิป 11 ภาษา

DUBBING V2 (ALPHA) · ผลลัพธ์เทียบคู่

111

จีนกลาง สเปน ญี่ปุ่น

วันที่ศึกษา

5 ส.ค. 2026

ทั้งสองการศึกษา

คลิปต้นฉบับ

38

ภาษาอังกฤษ ให้น้ำหนักเท่ากันทุกคลิป

  1. 01

    เทียบคู่และกล่องดำ

    คลิปต้นฉบับภาษาอังกฤษและภาษาปลายทางชุดเดียวกันส่งเข้าแต่ละระบบ และประเมินเฉพาะเสียงชิ้นงานที่เสร็จแล้ว
  2. 02

    การตรวจความหมาย

    งานพากย์ทุกชิ้นถอดเสียงพร้อมเวลาระดับคำ แล้วตรวจเทียบกับความหมายในภาษาปลายทางที่อนุมัติไว้ชุดเดียวกัน
  3. 03

    การวัดเชิงเสียง

    เทียบงานพากย์กับฉากต้นฉบับ ทั้งเสียงพื้นหลัง รูปทรงของเสียงที่ไม่ใช่คำพูด และจังหวะของเสียงกระแทก
  4. 04

    สถิติ

    คลิปต้นฉบับมีน้ำหนักเท่ากัน ช่วงความเชื่อมั่น 95% สุ่มซ้ำจากคลิปต้นฉบับ และสองกลุ่มตัวอย่างไม่เคยถูกรวมกัน

ชิ้นงานของ Familiar ยังมาพร้อมใบหน้าที่ลิปซิงค์แล้ว ทุกผลวัดด้านล่างคือเสียงเทียบกับเสียง

ผลลัพธ์: ElevenLabs Dubbing v2 (Alpha) (ผลิตภัณฑ์ใหม่ล่าสุดของเขา)

ผลลัพธ์เสียงชิ้นงานเทียบคู่ 111 รายการจีนกลางสเปนญี่ปุ่น
FIG. 01 · ข้อผิดพลาดการแปลจุดสำคัญ · DUBBING V2 (ALPHA) · FAMILIAR น้อยกว่า 54.7% · งานพากย์เทียบคู่ 111 รายการ
ELEVENLABS64
FAMILIAR29
FIG. 02 · งานพากย์ที่มีปัญหาด้านความหมายจุดสำคัญอย่างน้อยหนึ่งจุด · DUBBING V2 (ALPHA) · ELEVENLABS +56.5%
ELEVENLABS36/111
FAMILIAR23/111
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

ผลลัพธ์: ElevenLabs Dubbing v1 (ผลิตภัณฑ์รุ่นเสถียร)

การทดลองคลิปและภาษา 418 รายการ38 คลิป11 ภาษาทั้งสองระบบทำครบทุกการทดลอง
FIG. 03 · ความคล้ายผู้พูด · DUBBING V1 · FAMILIAR +27.8% · ทั้ง 11 ภาษาเป็นของ FAMILIAR
FAMILIAR0.4605
ELEVENLABS0.3604
FIG. 04 · ข้อผิดพลาดเชิงสเปกตรัมของเสียงพื้นหลัง · DUBBING V1 · dB ยิ่งต่ำยิ่งดี · ช่วงฉากที่ตรวจยืนยันแล้ว
ELEVENLABS12.27 dB
FAMILIAR3.40 dB
+95.5%

ElevenLabs มีข้อผิดพลาดในเสียงพูดที่ผู้ตรวจทำเครื่องหมายไว้มากกว่าถึง 95.5%

258 เทียบกับ 132
+243.7%

ค่าสหสัมพันธ์ของรูปทรงเสียงหัวเราะและปฏิกิริยาของ Familiar: 0.759 เทียบกับ 0.221 ในช่วงเหตุการณ์ที่ตรวจยืนยันแล้ว

+10.2%

ความเป็นธรรมชาติที่คาดการณ์ได้ของ Familiar

2.51 เทียบกับ 2.28 · เชิงสำรวจ
DUBBING V2 (ALPHA)
มิติความครอบคลุม
ผลลัพธ์Familiar ทำครบ 38/38 คลิปต้นฉบับ ส่วน Dubbing v2 (Alpha) ปฏิเสธคลิปความยาว 10.94 วินาที เพราะต่ำกว่าขั้นต่ำ 11 วินาที (37/38)
DUBBING V2 (ALPHA)
มิติความคล้ายผู้พูด
ผลลัพธ์ยังสรุปไม่ได้ที่ขนาดตัวอย่างนี้ ค่าประมาณแบบจุด +3.5% สำหรับ Familiar โดยช่วงความเชื่อมั่นแบบเทียบคู่คร่อมศูนย์
DUBBING V1
มิติจังหวะของเสียงกระแทก (เสียงประกอบและจังหวะ)
ผลลัพธ์Familiar นำเช่นกัน: F1 0.947 เทียบกับ 0.762
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

ข้อจำกัดของเวิร์กโฟลว์ที่เราเจอระหว่างทาง

ELEVENLABS DUBBINGข้อจำกัดของผลิตภัณฑ์ 3 ข้อสังเกตเมื่อ 5 ส.ค. 2026
11 วินาที

ความยาวคลิปขั้นต่ำ คลิปความยาว 10.94 วินาทีในชุดของเราพากย์ไม่ได้เลย

20

จำนวนรายการต่อแบตช์ วิดีโอ 4 คลิปเป็น 6 ภาษาก็ได้ผลลัพธ์ 24 รายการแล้ว เกินกว่าที่แบตช์เดียวรับได้

30

จำนวนคำขอพร้อมกัน วิดีโอ 10 คลิปเป็น 10 ภาษาคือ 100 คำขอ ต้องแบ่งแบตช์แล้วรออย่างน้อยสี่รอบ

  • Familiar รับคลิปทุกความยาว อัปโหลดครั้งเดียวกระจายไปทุกภาษาที่เลือก

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
$3 ได้แค่เสียง ถ้าจะให้เท่ากับการเรนเดอร์ของ Familiar หนึ่งครั้ง คุณยังต้องต่อลิปซิงค์เพิ่มเอง เครื่องมือลิปซิงค์แบบแยกที่ดีที่สุดอย่าง Sync.so อยู่ที่ $8 ต่อนาที รวมเป็น $11 และก็ยังไม่มีมิกซ์ 5.1 เอกสารของ ElevenLabs เอง ระบุว่างานพากย์เป็น “สเตอริโอเป็นอย่างมาก… เสียง 5.1 และเสียงหลายช่องสัญญาณอื่นๆ จะไม่ถูกรักษาไว้” เพื่อให้เห็นภาพ การพากย์โดยมนุษย์แบบครบวงจร ทั้งแปลและลงเสียง อยู่ที่ $70 ถึง $150 ต่อนาทีชิ้นงานสำเร็จ ในอัตรานี้จึงใช้ไม่ได้จริงกับคนส่วนใหญ่ของโลก
ข้อจำกัดของผลิตภัณฑ์และราคาสังเกตเมื่อ 5 สิงหาคม 2026 และอาจเปลี่ยนแปลงได้

การศึกษาด้านราคาฉบับเต็มพร้อมแหล่งที่มา: การพากย์เสียงราคาเท่าไหร่ในปี 2026

คำแปลเทียบกับนักแปลมืออาชีพ

การศึกษาแยกต่างหากเมื่อสิงหาคม 2026 นำคำแปลในระบบโปรดักชันของ Familiar ไปเทียบกับนักแปลมืออาชีพระดับผู้เชี่ยวชาญ ให้คะแนนแบบปกปิดเทียบกับฉบับแก้ไขอ้างอิงของผู้เชี่ยวชาญ

ทั้งภาษาฝรั่งเศส จีน ฮินดี และอินโดนีเซีย Familiar เทียบเท่าร่างแรกของพวกเขา

FIG. 05 · คุณภาพการแปลเทียบกับร่างแรกของมืออาชีพระดับผู้เชี่ยวชาญ · ให้คะแนนแบบปกปิด · สิงหาคม 2026
ฝรั่งเศส100.0%
จีน98.2%
ฮินดี103.3%
อินโดนีเซีย99.6%
เส้นประ = ร่างแรกของมืออาชีพ (100%)
100.3%

เฉลี่ยเทียบกับคุณภาพการแปลร่างแรกของมืออาชีพ

ฝรั่งเศส จีน ฮินดี อินโดนีเซีย (ร่างแรกของนักแปลมืออาชีพระดับผู้เชี่ยวชาญ)

ข้อจำกัด

การตรวจความหมายใช้โมเดลช่วยและทำเพียงรอบเดียว การตรวจซ้ำอิสระโดยเจ้าของภาษายังรอดำเนินการ ความคล้ายผู้พูดและความเป็นธรรมชาติของ Dubbing v2 (Alpha) ยังสรุปไม่ได้ที่ขนาดตัวอย่างนี้ และไม่เคยรวมกับผลของ v1 คลิปจากโลกจริงที่คัดเลือกมา ไม่ใช่ตัวอย่างความน่าจะเป็นของวิดีโอทั้งหมด

แหล่งอ้างอิง

  1. [1]เบนช์มาร์ก Familiar เทียบกับ ElevenLabs: ผลฉบับเต็ม ช่วงความเชื่อมั่น และตัวอย่างเสียงให้ลองฟัง
  2. [2]AI เทียบกับนักแปลมนุษย์: ทดสอบเทียบกับมืออาชีพ (การศึกษาการแปลฉบับเต็ม)
  3. [3]เอกสาร ElevenLabs Dubbing (ราคาตามความยาวต้นฉบับและจำนวนภาษา)
  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