GIẢI THÍCH

Dịch thuật không phải là tạo sinh

FAMILIAR NGHIÊN CỨUCẬP NHẬT TẤT CẢ BÀI VIẾT
ĐỌC BÀI NÀY BẰNGEnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

TÓM TẮT

Không phải “AI tạo sinh”, mà là dịch thuật chắp cánh cho nhà sáng tạo. Tạo sinh và dịch thuật là hai động từ khác nhau. Tạo sinh nhận một câu lệnh và làm ra thứ chưa từng tồn tại. Dịch thuật nhận một thứ đã có sẵn, một màn trình diễn, và đưa nó sang ngôn ngữ khác. Familiar là một mô thức mới, đầu tiên thuộc loại này: một mô hình ra quyết định bản địa hóa đa phương thức (MLDM), mô hình nền tảng đầu tiên cho dịch đa phương thức. Diễn viên, nhịp thời gian và khung cảnh được giữ nguyên; lời thoại, khuôn miệng và track giọng thay đổi để hợp với ngôn ngữ mới.
MÔ HÌNH NỀN TẢNG ĐẦU TIÊN CHO DỊCH ĐA PHƯƠNG THỨC

Hai động từ

AI tạo sinh là một thứ tốt để làm ra những điều mới: câu lệnh đi vào, nội dung mới đi ra, và cái đích chính là kết quả phải mới. Dịch thuật hướng tới điều ngược lại.

Dịch thuậtĐỘNG TỪ CÒN LẠI

Một màn trình diễn đi vào, và chính màn trình diễn ấy đi ra bằng một ngôn ngữ khác.

TẠO SINH

  • Đầu vào: một câu lệnh
  • Đầu ra: nội dung mới
  • Thước đo: kết quả mới và hay đến đâu

DỊCH THUẬT

  • Đầu vào: một màn trình diễn đã hoàn chỉnh
  • Đầu ra: chính màn trình diễn ấy bằng một ngôn ngữ khác
  • Thước đo: trung thành với bản gốc đến đâu

Người dịch nào, dù là người hay máy, cũng được đánh giá qua việc mình bịa thêm ít đến đâu.

Điều gì giữ nguyên, điều gì thay đổi

Diễn viên
THAY ĐỔILời thoại
Gương mặt
THAY ĐỔIKhẩu hình
Nhịp thời gian
THAY ĐỔITrack giọng, bằng ngôn ngữ mới
Âm thanh khung cảnh: tiếng cười, âm nhạc, âm thanh không gian
THAY ĐỔI

Giọng nói ở ngôn ngữ mới là giọng của chính diễn viên, lấy từ chính đoạn clip. Tên riêng và câu cửa miệng được giữ đúng như lời gốc nhờ danh sách Không Dịch; câu đùa được viết lại để vẫn gây cười trong ngôn ngữ đích.

Vì sao lip sync là một phần của dịch thuật

Con người không chỉ nghe lời nói bằng tai. Trong hiệu ứng McGurk, một giọng nói [b] lồng lên một khuôn mặt đang nói [g] thường được nghe thành [d], một âm mà không kênh nào mang (Tiippana, 2014, mô tả nghiên cứu của McGurk và MacDonald, 1976). Bộ não hợp nhất những gì mắt thấy với những gì tai nghe.
GIỌNG [b] + KHUÔN MẶT [g] = NGHE THÀNH [d]

Một bản lồng tiếng chỉ đổi giọng để lại sự lệch ấy trong từng khung hình: khuôn miệng nói một ngôn ngữ, track âm thanh nói một ngôn ngữ khác, nên người xem khó hiểu hơn. Vì thế khuôn miệng là một phần của thông điệp. Dịch một màn trình diễn nghĩa là dịch cả khẩu hình cùng lời thoại, và đó là lý do một bản lồng tiếng của Familiar cử động môi theo lời mới (Câu hỏi thường gặp, "Vì sao lip sync lại quan trọng?").

Giám đốc sáng tạo duyệt trước khi phát hành

Có những câu có thể hiểu theo nhiều cách: một câu đùa, một câu châm chọc, một câu nghe chân thành hay mỉa mai. Những câu đó trả về ba bản dịch với ý định và cảm xúc khác nhau; tiếng lóng giữ nguyên như lời gốc và ngôn từ thô tục được giảm xuống cho bản dành cho khán giả nhỏ tuổi cũng vậy. Đội ngũ chọn một bản, sửa bất kỳ câu nào đối chiếu với bản gốc, rồi mới bắt đầu render.

MLDM lo phần việc tẻ nhạt.

Phần việc tẻ nhạt của lồng tiếng là quyết định giọng nào và khẩu hình theo ra sao, cho từng câu thoại ở từng ngôn ngữ. MLDM quyết định phần đó và lưu mọi quyết định cùng tác vụ, để đội ngũ của bạn thay đổi bất kỳ quyết định nào. Đang được phát triển: chọn những âm thanh nào giữ nguyên ngôn ngữ gốc, một câu hô hay một tiếng la, và gương mặt hay dòng chữ nào trên màn hình cần dịch. Những lựa chọn làm nên một bản lồng tiếng hay, câu đùa nào gây cười, giọng điệu nào hợp, tên riêng nào giữ lại, vẫn thuộc về những người đã làm ra tác phẩm.

++
Toàn bộ dữ liệu chúng tôi dùng để huấn luyện đều do chính đội ngũ Familiar làm ra.

Chúng tôi là một công cụ nữa cho quá trình sáng tạo.

CÂU HỎI

Familiar có phải là AI tạo sinh không?

Không. Familiar là một mô hình ra quyết định bản địa hóa đa phương thức (MLDM): mô hình quyết định cách bản địa hóa những gì đã có sẵn, không cần câu lệnh. Video của bạn đi vào, chính màn trình diễn ấy đi ra bằng một ngôn ngữ khác. Toàn bộ dữ liệu chúng tôi dùng để huấn luyện đều do chính đội ngũ Familiar làm ra. Chúng tôi là một công cụ nữa cho quá trình sáng tạo.

Âm nhạc và hiệu ứng âm thanh của tôi sẽ ra sao?

Được giữ nguyên. Tiếng cười, âm nhạc và tiếng bass, hiệu ứng âm thanh và âm thanh không gian vẫn còn nguyên dưới lời thoại mới.

Tôi có sửa được bản dịch không?

Có. Mọi video đều dừng ở màn hình duyệt, nơi bạn sửa bất kỳ câu nào đối chiếu với bản gốc trước khi render.

TÀI LIỆU THAM KHẢO

  1. [1]Tiippana, K. (2014). What is the McGurk effect? Frontiers in Psychology 5:725, đọc ngày 24/10/2026
  2. [2]Câu hỏi thường gặp về Familiar: Vì sao lip sync lại quan trọng?
  3. [3]AI lip sync: là gì, bỏ sót gì, và điều gì vượt trội hơn
  4. [4]Vì sao Familiar không phải AI tạo sinh truyền thống
  5. [5]Một công cụ nữa cho quá trình sáng tạo

Dịch đa phương thức

Familiar Labs xây dựng công nghệ lồng tiếng vượt thế hệ với mô hình ra quyết định bản địa hóa đa phương thức (MLDM), mô hình nền tảng đầu tiên cho dịch đa phương thức: một mô hình quyết định bản địa hóa điều gì trên cả văn bản, âm thanh và hình ảnh, và cho bạn thấy các lựa chọn. Giọng nói và khẩu hình của bạn, mang sang những ngôn ngữ mới. Đội ngũ 8 người với các tiến sĩ, được Samsung, RedBird, Gold House hậu thuẫn. Sứ mệnh của chúng tôi

Xem benchmark đầy đủ →Trò chuyện với đội ngũ