เบนช์มาร์กแบบตัวต่อตัว

Familiar เทียบกับการพากย์เสียงอัตโนมัติของ YouTube: การศึกษากลุ่มตัวอย่างที่ตรึงไว้

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

บทคัดย่อ

บนกลุ่มตัวอย่างที่ตรึงไว้ 50 คู่ (อาหรับ สเปน ฝรั่งเศส ฮินดี เกาหลี เก็บข้อมูลเมื่อ 8 สิงหาคม 2026) Familiar วัดความคล้ายผู้พูดได้สูงกว่าการพากย์เสียงอัตโนมัติของ YouTube ถึง 182.9% (0.399 เทียบกับ 0.141) และทำให้ใจความสำคัญเปลี่ยนหรือตกหล่นน้อยกว่าถึง 70.3% (43 เทียบกับ 145 จาก 528) YouTube ทำข้อผิดพลาดด้านเสียงพื้นหลังมากกว่าถึง 232.6% (11.21 เทียบกับ 3.37 dB) Familiar ยังนำด้านเสียงที่ไม่ใช่คำพูดด้วย จาก 43 คลิปต้นฉบับ มีเสียงพากย์อัตโนมัติให้ใช้ได้จริง 25 คลิป ส่วน Familiar พากย์ครบทั้ง 43 คลิป ข้อมูลฉบับเต็มและตัวอย่างเสียงที่ซิงค์กันหกชุด: เบนช์มาร์ก YouTube ฉบับเต็ม

ระเบียบวิธี

จำนวนคู่

50

กลุ่มตัวอย่างที่ตรึงไว้ คลิปต้นฉบับหนึ่งคลิป × ภาษาปลายทางหนึ่งภาษา

ภาษา

5

อาหรับ สเปน ฝรั่งเศส ฮินดี เกาหลี

เก็บข้อมูลเมื่อ

8 สิงหาคม 2026

ความพร้อมใช้งาน

25 จาก 43

คลิปต้นฉบับที่มีเสียงพากย์อัตโนมัติของ YouTube ให้ใช้ได้จริง ส่วน Familiar พากย์ครบทั้ง 43 คลิป

เทียบคู่ กล่องดำ
ให้คะแนนอย่างไรคลิปต้นฉบับหนึ่งคลิป × ภาษาปลายทางหนึ่งภาษา เสียงชิ้นงานฉบับสมบูรณ์จากทั้งสองระบบ
ตัวชี้วัดที่ขึ้นกับจังหวะเวลา
ให้คะแนนอย่างไรเฉพาะ 31 คู่ที่ไทม์ไลน์ตรงกับต้นฉบับซึ่งตรวจยืนยันแยกต่างหาก (เกณฑ์ 40 ms ช่องที่ไม่แน่ชัดถือว่าไม่ผ่าน)
ตัวชี้วัดเหตุการณ์เสียง
ให้คะแนนอย่างไร14 ช่องที่มนุษย์ตรวจยืนยันช่วงเสียงหัวเราะหรือปฏิกิริยาแล้ว
ช่องที่ YouTube ไม่มีเสียงพากย์
ให้คะแนนอย่างไรระบุแยกไว้ชัดเจน ไม่นับเป็นศูนย์
การตรวจความหมาย
ให้คะแนนอย่างไรตัดสินจากเสียงพูดที่ส่งมอบ การถอดความที่ถูกต้องและปฏิกิริยาเบาๆ ในพื้นหลังไม่นับเป็นข้อผิดพลาด ไม่ใช้ CER/WER

เสียง: ของเขาคือเสียงคนแปลกหน้า

เสียงพากย์อัตโนมัติของ YouTube คือเสียงของคนแปลกหน้า ส่วน Familiar คงเสียงของผู้พูดตัวจริงไว้

บน 31 คู่ที่ตรงกันพอดี ความคล้ายกับผู้พูดตัวจริง:

FIG. 01 · ความคล้ายผู้พูด (SIM-O) · งานพากย์ที่ตรงกัน 31 รายการ · FAMILIAR +182.9%
FAMILIAR0.399
YOUTUBE0.141

ความหมาย

จากใจความสำคัญในต้นฉบับ 528 จุดในงานพากย์ 50 ชิ้นที่ตรวจ YouTube ทำให้เปลี่ยนหรือตกหล่น 145 จุด ส่วน Familiar 43 จุด

FIG. 02 · ใจความสำคัญในต้นฉบับที่เปลี่ยนหรือตกหล่น · จาก 528 · FAMILIAR น้อยกว่า 70.3%
YOUTUBE145
FAMILIAR43
34/50

งานพากย์ของ YouTube ที่มีปัญหาด้านความหมายจุดสำคัญในเสียงพูด

18/50

งานพากย์ของ Familiar ที่มีปัญหาด้านความหมายจุดสำคัญในเสียงพูด

12 เทียบกับ 0

ข้อผิดพลาดร้ายแรงด้านความหมาย YouTube เทียบกับ Familiar

ฉากและปฏิกิริยา

FIG. 03 · ข้อผิดพลาดเชิงสเปกตรัมของเสียงพื้นหลัง · ช่วงที่ไม่มีเสียงพูด · YOUTUBE +232.6%
YOUTUBE11.21 dB
FAMILIAR3.37 dB
0.998 เทียบกับ 0.236

ค่าสหสัมพันธ์ของรูปทรงเสียงหัวเราะและปฏิกิริยา · 14 ช่องเหตุการณ์

0.11 เทียบกับ 3.36 dB

ข้อผิดพลาดด้านความดังของเสียงหัวเราะและปฏิกิริยา · 14 ช่องเหตุการณ์

25/43

คลิปต้นฉบับที่มีเสียงพากย์อัตโนมัติของ YouTube ให้ใช้ได้จริง ส่วน Familiar พากย์ครบทั้ง 43 คลิป

Familiar ส่งมอบงานพากย์ที่เสร็จสมบูรณ์ที่ความละเอียดสูงสุด 4K พร้อมมิกซ์เสียงรอบทิศทาง 5.1 แท้ หรือสเตอริโอ

ข้อจำกัด

การศึกษาแบบกล่องดำบนกลุ่มตัวอย่างที่ตรึงไว้ ไม่ใช่ข้อสรุปเกี่ยวกับเสียงพากย์ทุกชิ้นของ YouTube ทุกภาษา หรือแพลตฟอร์มเวอร์ชันในอนาคต
เฉพาะกลุ่มตัวอย่างนี้
เป็นตัวชี้วัดจากโมเดล ไม่ใช่การศึกษาที่ให้มนุษย์ฟัง และมีความไม่แน่นอนสูง
ความเป็นธรรมชาติที่คาดการณ์ได้ · UTMOS 2.12 เทียบกับ 1.85
ใช้เชิงพรรณนาเท่านั้น ช่วงความเชื่อมั่นแตะศูนย์
จังหวะของเสียงกระแทก · F1 1.000 เทียบกับ 0.789

แหล่งอ้างอิง

  1. [1]Familiar เทียบกับการพากย์เสียงอัตโนมัติของ YouTube: ผลฉบับเต็ม ระเบียบวิธี และตัวอย่างเสียงให้ลองฟัง
  2. [2]เบนช์มาร์กทั้งหมดของ Familiar: ElevenLabs, YouTube และนักแปลมนุษย์
  3. [3]ความช่วยเหลือของ YouTube: ใช้การพากย์เสียงอัตโนมัติ
  4. [4]รีวิวการพากย์เสียงอัตโนมัติของ YouTube: สิ่งที่เราวัด

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