บทอธิบาย

การแปลไม่ใช่การสร้างขึ้นใหม่

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

บทคัดย่อ

ไม่ใช่ “Generative AI” แต่คือการแปลที่เสริมพลังให้คนทำงานสร้างสรรค์ การสร้างกับการแปลเป็นคนละกริยากัน การสร้างรับพรอมต์แล้วทำสิ่งที่ไม่เคยมีมาก่อน การแปลรับสิ่งที่มีอยู่แล้ว คือการแสดง แล้วพาไปสู่อีกภาษาหนึ่ง Familiar คือกระบวนทัศน์ใหม่ ครั้งแรกของวงการ คือโมเดลตัดสินใจด้านโลคัลไลเซชันแบบมัลติโมดัล (MLDM) โมเดลพื้นฐานตัวแรกสำหรับการแปลแบบมัลติโมดัล นักแสดง จังหวะ และฉากยังอยู่เหมือนเดิม ส่วนถ้อยคำ ปาก และแทร็กเสียงพูดเปลี่ยนให้เข้ากับภาษาใหม่
โมเดลพื้นฐานตัวแรกสำหรับการแปลแบบมัลติโมดัล

สองกริยา

Generative AI เป็นเครื่องมือที่ดีสำหรับการสร้างสิ่งใหม่ พรอมต์เข้าไป คอนเทนต์ใหม่ออกมา และหัวใจของมันคือผลลัพธ์ต้องใหม่ การแปลมีเป้าหมายตรงกันข้าม

การแปลอีกกริยาหนึ่ง

การแสดงเข้าไป แล้วการแสดงเดิมก็ออกมาในอีกภาษาหนึ่ง

การสร้าง

  • สิ่งที่ใส่เข้าไป: พรอมต์
  • สิ่งที่ได้ออกมา: คอนเทนต์ใหม่
  • วัดจาก: ผลลัพธ์ใหม่และดีแค่ไหน

การแปล

  • สิ่งที่ใส่เข้าไป: การแสดงที่เสร็จสมบูรณ์แล้ว
  • สิ่งที่ได้ออกมา: การแสดงเดิมในอีกภาษาหนึ่ง
  • วัดจาก: ยังซื่อตรงต่อต้นฉบับแค่ไหน

นักแปลทุกคน ไม่ว่าจะเป็นมนุษย์หรือเครื่อง ถูกตัดสินจากว่าแต่งเติมเองน้อยแค่ไหน

อะไรคงเดิม อะไรเปลี่ยน

นักแสดง
เปลี่ยนถ้อยคำ
ใบหน้า
เปลี่ยนการขยับปาก
จังหวะ
เปลี่ยนแทร็กเสียงพูดในภาษาใหม่
เสียงของฉาก: เสียงหัวเราะ ดนตรี เสียงบรรยากาศ
เปลี่ยน

เสียงในภาษาใหม่เป็นเสียงของนักแสดงเอง ที่มาจากคลิปนั้น ชื่อและคำพูดติดปากคงไว้ตามที่พูดเป๊ะๆ ผ่านรายการคำที่ไม่แปล (Do Not Translate) ส่วนมุกตลกถูกเขียนใหม่ให้ขำในภาษาปลายทาง

ทำไมลิปซิงค์จึงเป็นส่วนหนึ่งของการแปล

คนเราไม่ได้ฟังคำพูดด้วยหูอย่างเดียว ในปรากฏการณ์แม็คเกอร์ก (McGurk effect) เสียงที่พูดว่า [b] เมื่อพากย์ทับใบหน้าที่พูดว่า [g] มักถูกได้ยินเป็น [d] ซึ่งเป็นเสียงที่ไม่มีในทั้งภาพและเสียง (Tiippana, 2014 ซึ่งอธิบายงานของ McGurk และ MacDonald, 1976) สมองหลอมสิ่งที่เห็นเข้ากับสิ่งที่ได้ยิน
เสียง [b] + ใบหน้า [g] = ได้ยินเป็น [d]

งานพากย์ที่เปลี่ยนแค่เสียงจะทิ้งความไม่ตรงกันนี้ไว้ในทุกเฟรม ปากพูดภาษาหนึ่ง แต่ซาวด์แทร็กพูดอีกภาษาหนึ่ง ผู้ชมจึงเข้าใจยากขึ้น ปากจึงเป็นส่วนหนึ่งของสาร การแปลการแสดงหมายถึงการแปลริมฝีปากไปพร้อมกับถ้อยคำ นี่คือเหตุผลที่งานพากย์ของ Familiar ขยับริมฝีปากตามคำใหม่ (คำถามที่พบบ่อย “ทำไมลิปซิงค์จึงสำคัญ”)

ครีเอทีฟไดเรกเตอร์ตรวจก่อนปล่อยออกไป

บางประโยคตีความได้มากกว่าหนึ่งทาง มุกตลก คำแซว หรือประโยคที่อ่านได้ทั้งแบบจริงใจและแบบเสียดสี ประโยคเหล่านี้กลับมาเป็นคำแปลสามแบบที่เจตนาและอารมณ์ต่างกัน เช่นเดียวกับคำสแลงที่คงไว้ตามที่พูด และคำหยาบที่ลดลงสำหรับเวอร์ชันผู้ชมอายุน้อย ทีมเลือกหนึ่งแบบ แก้ไขประโยคไหนก็ได้โดยเทียบกับต้นฉบับ แล้วจึงสั่งเรนเดอร์

MLDM สำหรับงานส่วนที่จุกจิกน่าเบื่อ

ส่วนที่จุกจิกน่าเบื่อของการพากย์คือการตัดสินใจว่าจะใช้เสียงไหน และริมฝีปากจะตามอย่างไร ในทุกประโยคและทุกภาษา MLDM ตัดสินใจส่วนนี้ และบันทึกทุกการตัดสินใจไว้กับงาน ทีมของคุณจึงแก้ไขได้ทุกจุด ที่อยู่ระหว่างพัฒนาคือการเลือกว่าเสียงไหนคงไว้เป็นภาษาต้นฉบับ เช่น เสียงร้องเชียร์หรือเสียงตะโกน และใบหน้าหรือข้อความบนหน้าจอไหนที่จะแปล ส่วนการตัดสินใจที่ทำให้งานพากย์ดี มุกไหนขำ น้ำเสียงไหนเข้ากัน ชื่อไหนคงไว้ ยังเป็นของคนที่สร้างผลงานนั้น

++
ข้อมูลทั้งหมดที่เราใช้เทรน ทีม Familiar เป็นผู้สร้างขึ้นเองทั้งหมด

เราคือเครื่องมืออีกชิ้นหนึ่งในกระบวนการสร้างสรรค์

คำถาม

Familiar เป็น Generative AI หรือไม่

ไม่ใช่ Familiar คือโมเดลตัดสินใจด้านโลคัลไลเซชันแบบมัลติโมดัล (MLDM) ที่ตัดสินใจว่าจะปรับสิ่งที่มีอยู่แล้วให้เข้ากับท้องถิ่นอย่างไร โดยไม่มีพรอมต์ วิดีโอของคุณเข้าไป แล้วการแสดงเดิมก็ออกมาในอีกภาษาหนึ่ง ข้อมูลทั้งหมดที่เราใช้เทรน ทีม Familiar เป็นผู้สร้างขึ้นเองทั้งหมด เราคือเครื่องมืออีกชิ้นหนึ่งในกระบวนการสร้างสรรค์

เพลงและเสียงประกอบของฉันจะเป็นอย่างไร

ยังอยู่ครบ เสียงหัวเราะ ดนตรีและเสียงเบส เสียงประกอบ และเสียงบรรยากาศ ยังอยู่ใต้บทพูดใหม่

ฉันแก้คำแปลได้หรือไม่

ได้ ทุกวิดีโอจะหยุดรอที่หน้าตรวจสอบ ให้คุณแก้ไขประโยคไหนก็ได้โดยเทียบกับต้นฉบับก่อนเรนเดอร์

แหล่งอ้างอิง

  1. [1]Tiippana, K. (2014). What is the McGurk effect? Frontiers in Psychology 5:725 อ่านเมื่อ 24 ตุลาคม 2026
  2. [2]คำถามที่พบบ่อยของ Familiar: ทำไมลิปซิงค์จึงสำคัญ
  3. [3]ลิปซิงค์ด้วย AI: คืออะไร พลาดตรงไหน และอะไรดีกว่า
  4. [4]ทำไม Familiar จึงไม่ใช่ Generative AI แบบดั้งเดิม
  5. [5]เครื่องมืออีกชิ้นหนึ่งในกระบวนการสร้างสรรค์

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