บทความแสดงทัศนะ

จากคนสู่คน ไม่ใช่จาก AI สู่ AI

ทำไมคอนเทนต์คุณภาพจะยังเป็นของมนุษย์

FAMILIAR งานวิจัยบทความทั้งหมด
อ่านบทความนี้เป็นภาษาEnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

บทคัดย่อ

เราอินไปกับมนุษย์ AI ไม่ได้ หรืออย่างน้อยคนส่วนใหญ่ก็อินได้ไม่เท่ากัน เราดูการแสดงเพราะรู้ว่ามีคนจริงๆ กำลังถ่ายทอดอารมณ์ดิบ AI จะสมจริงแค่ไหนก็ได้ แต่ทันทีที่เรารู้ว่าเป็น AI ความรู้สึกร่วมก็หายไป นี่คือเหตุผลทั้งหมดที่ Familiar เลือกอยู่บนเส้นทางคุณภาพ
An Zhu LiuAn Zhu LiuCEO, Familiar Labsทีม →

ความรู้สึกร่วม

อารมณ์คือหัวใจ เรารู้ว่ามนุษย์จริงๆ กำลังถ่ายทอดอารมณ์ดิบ และเรารู้สึกไปกับเขา ผู้ชมบางส่วนแค่อยากได้ยินเสียง แต่ส่วนใหญ่แยกออก และยังไงป้ายกำกับก็มาแน่ แพลตฟอร์มใหญ่ติดป้ายคอนเทนต์ที่สร้างด้วย AI อยู่แล้ว ช่องว่างนี้จึงไม่ได้ปิดลงเพราะพิกเซลดีขึ้น มันปิดได้ก็ต่อเมื่อคนบนจอเป็นคนจริงเท่านั้น

พลังดารา

เราชอบดารา เราดูรายการหนึ่งเพราะใบหน้าที่คุ้นเคยและการแสดงที่ยอดเยี่ยม เมื่อคนบนจอไม่ใช่ตัวจริง พลังดาราก็ลดลง และงานโปรดักชันใหญ่ที่สร้างขึ้นรอบตัวเขาก็ลดลงตามไปด้วย

เสียง
ยังเป็นตัวจริงการแสดงของดาราเอง ถ่ายทอดสู่อีกภาษาภายใต้ความยินยอมของโปรดักชัน
ไม่ใช่ตัวจริงเสียงที่ไม่ใช่ของเขามาอ่านบทของเขา
ใบหน้า
ยังเป็นตัวจริงใบหน้าเดิม เทคเดิม ริมฝีปากขยับตามคำใหม่
ไม่ใช่ตัวจริงนักแสดงที่ไม่ใช่เขา
นักแสดงที่ล่วงลับไปแล้ว
ยังเป็นตัวจริงการแสดงที่เขาบันทึกไว้เอง ซึ่งผู้ถือสิทธิ์นำไปโลคัลไลซ์ได้
ไม่ใช่ตัวจริงโปรเจกต์ใหม่ที่เขาไม่เคยยินยอม แม้ทายาทจะเซ็นอนุญาตแล้วก็ตาม เราไม่ทำแบบนั้น

งานพากย์รักษาอะไรไว้

จากคนสู่คน ไม่ใช่จาก AI สู่ AI

งานพากย์คงทุกอย่างไว้เหมือนเดิม ทั้งตัวคน การแสดง ฉาก และดนตรี เปลี่ยนแค่ภาษา นี่คือเหตุผลที่เราสร้างโมเดลตัดสินใจ ไม่ใช่โมเดลวิดีโอ ใครบนจอเป็นคนพูดบรรทัดนั้น อารมณ์ตั้งแต่เสียงกระซิบไปจนถึงเสียงตะโกน ชื่อหรือแบรนด์ไหนต้องคงไว้ตามเดิม ข้อความในเฟรมเขียนว่าอะไร ไม่มีอะไรถูกแต่งขึ้นใหม่ ทุกอย่างถูกถ่ายทอดต่อไป

คอนเทนต์ที่ทำด้วย AI แต่ใส่ความตั้งใจ

จะมีทั้งคอนเทนต์ที่ AI ช่วยทำและคอนเทนต์ที่ AI ทำทั้งหมด และบางส่วนจะทำด้วยความตั้งใจจริง คอนเทนต์แบบนั้นก็ยังต้องพากย์อยู่ดี โมเดลทั่วไปสร้างฉากเดิมซ้ำในภาษาใหม่ไม่ได้ โดยให้คนที่ถูกต้องเป็นคนพูด เสียงหัวเราะและดนตรียังอยู่ครบ และข้อความบนจอถูกแทนที่ และการแปลคือจุดที่แม้แต่โมเดลทั่วไปที่เก่งที่สุดก็พลาดเอง มุกที่ข้ามภาษาไม่ได้ ชื่อที่ถูกแปลทิ้ง คำสแลงที่มีความหมายไม่ดีในภาษาใหม่ หัวข้อที่วัฒนธรรมนั้นเลี่ยง คอนเทนต์ที่ทำแบบลวกๆ จะไม่คุ้มที่จะพากย์ แค่สร้างใหม่ตามแต่ละวัฒนธรรมไปเลย ซึ่งก็ไม่เป็นไร เราไม่ได้ทำเพื่อคอนเทนต์แบบนั้น

และคอนเทนต์บางอย่างก็สร้างใหม่ไม่ได้เลย:

กีฬา
การแข่งขันเกิดขึ้นครั้งเดียว ไม่มีอะไรให้ถ่ายซ้ำ
ไลฟ์สด
สดพร้อมแชต เป็นช่วงเวลา ไม่ใช่ไฟล์
เรียลลิตี้
คนจริงที่ไม่มีบท เทคนั้นคือเทคเดียวที่มี
สารคดี
คนจริงพูดเรื่องจริง ครั้งเดียว

ช่วงเวลาสดทำได้แค่ถ่ายทอดต่อ เวอร์ชันถัดไปของเรากำลังมุ่งไปทางนั้น

สองเส้นทาง

เส้นทางเร็ว อัปโหลดครั้งเดียว ได้อะไรออกมาก็ต้องใช้อย่างนั้น ควบคุมไม่ได้ และตรวจคำแปลไม่ได้ เส้นทางคุณภาพ ตัวคน การแสดง และฉากยังอยู่ครบ ทุกการตัดสินใจถูกบันทึกไว้และคุณแก้ไขได้ ในครั้งเดียวจบ เราตั้งใจเลือกเส้นทางที่สอง

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

ทำไมเส้นทางคุณภาพยิ่งทำยิ่งได้เปรียบ

ทุกเรื่องที่พากย์เพิ่มเข้าไปในบันทึก วัฒนธรรมนั้นเลี่ยงอะไร สแลงคำไหนกลายเป็นคำไม่ดี คำหยาบไปได้แค่ไหน ศัพท์ที่ถูกต้อง มุกตลกข้ามภาษาอย่างไร ตัวเลือกที่ตัดสินใจไว้ครั้งหนึ่งจะตามไปใช้ในตอนถัดไปด้วย โมเดลวิดีโอทั่วไปสร้างคอนเทนต์ในภาษาหนึ่งได้นานก่อนที่จะโลคัลไลซ์เข้าสู่ภาษานั้นได้ เราทำงานใน 30 ภาษา และรายละเอียดเชิงวัฒนธรรมก็สะสมเพิ่มขึ้นเรื่อยๆ

++
จากคนสู่คน ไปถึงผู้ชมได้กว้างไกลกว่าเดิม
จากคนสู่คนเส้นทางคุณภาพ

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