Có bốn cách dịch một video: phụ đề, thuyết minh bằng giọng người lạ, lồng tiếng chỉ giọng nói bằng chính giọng của người nói, và lồng tiếng giọng nói + lip sync, nơi chính màn trình diễn được dịch: lip sync và mọi thứ vượt xa nó. Bài viết này cho biết mỗi cách giữ lại được gì, tốn bao nhiêu mỗi phút, và nên chọn thế nào, dù bạn dịch một video sang tiếng Anh, sang tiếng Tây Ban Nha, hay cả kho nội dung sang 30 ngôn ngữ.
01.Bốn cách dịch một video
NHỮNG GÌ ĐƯỢC GIỮ LẠI, THEO TỪNG CÁCH · GIÁ MỖI PHÚT THÀNH PHẨM, CHO MỖI NGÔN NGỮ
Cách làm
Phần lời
Giọng nói
Khuôn mặt
Khung cảnh
Giá thường gặp
Phụ đề
Đọc, không phải nghe
Giữ nguyên (âm thanh gốc)
Giữ nguyên
Giữ nguyên
Đi kèm mọi bản lồng tiếng của Familiar · dịch chuyên nghiệp khoảng $10/phút
Thuyết minh (lồng tiếng truyền thống)
Do người lạ nói
Bị thay thế
Mấp máy theo ngôn ngữ gốc
Tùy bản phối của phòng thu
$70 đến $150 trọn gói bằng người thật, gồm cả dịch lẫn giọng nói · riêng gói giọng nói $39 đến $94 · phòng thu cao cấp từ $128
Lồng tiếng chỉ giọng nói
Được nói
Chính giọng của người nói
Vẫn mấp máy theo ngôn ngữ gốc
Thường bị suy giảm (đo ở mục 02)
$3 (báo giá khi thanh toán của ElevenLabs, 5/8/2026), chỉ có âm thanh
Lồng tiếng giọng nói + lip sync
Được nói
Chính giọng của người nói
Lip sync theo ngôn ngữ mới, lên đến 4K
Giữ nhạc, hiệu ứng, âm thanh môi trường; bản phối 5.1 thực thụ hoặc stereo
Familiar: một lần render, theo hợp đồng Studio
LỒNG TIẾNG TỰ ĐỘNG CỦA YOUTUBE · THUYẾT MINH
Lồng tiếng tự động của YouTube và thuyết minh đều đặt một giọng khác lên người nói.
LỒNG TIẾNG CHỈ GIỌNG NÓI
Lồng tiếng chỉ giọng nói, thường được tìm kiếm là "nhân bản giọng nói", giữ lại giọng; khẩu hình vẫn nói ngôn ngữ cũ.
HeyGenElevenLabsHeyGen + 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
Phép thử trung thực là thử theo cặp: cùng một video nguồn đưa qua từng hệ thống.
Hai nghiên cứu theo cặp so với ElevenLabs, không bao giờ gộp chung, tại /benchmark/elevenlabs, đánh giá trên:
Ý NGHĨANHÂN BẢN GIỌNG NÓILỚP ÂM NỀN CỦA KHUNG CẢNHNHỊP THỜI GIAN CỦA ÂM CHUYỂN TIẾP
HÌNH. 01 · LỖI TRONG LỜI NÓI ĐẦU RA BỊ PHẦN ĐÁNH GIÁ GẮN CỜ · DUBBING V1 ỔN ĐỊNH · 418 CẶP KẾT QUẢ · 11 NGÔN NGỮ
ElevenLabs258
Familiar132
Cùng nghiên cứu: Familiar nghe giống người nói thật hơn 27.8% (0.4605 so với 0.3604).
Cả 11 ngôn ngữ đều nghiêng về Familiar.
ElevenLabsElevenLabsTHEIR 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
Quyền kiểm soát là nửa còn lại, và đó là nơi mô hình ra quyết định bản địa hóa đa phương thức (MLDM) của Familiar, mô hình nền tảng đầu tiên cho dịch đa phương thức, một mô thức mới, đầu tiên thuộc loại này, cho bạn thấy các quyết định của nó:
KHÔNG DỊCH
Danh sách Không Dịch giữ tên riêng và câu cửa miệng đúng như người nói đã nói.
CÂU ĐÙA VÀ CÂU NHIỀU HÀM Ý
Câu đùa và câu nhiều hàm ý trả về nhiều phương án dịch, mỗi phương án kèm lý do, để giám đốc sáng tạo của bạn chọn.
MÀN HÌNH DUYỆT
Mọi video đều tạm dừng ở màn hình duyệt: sửa câu nào cũng được trước khi render. Mọi quyết định đều được lưu lại cùng tác vụ lồng tiếng và có thể thay đổi.
ĐANG ĐƯỢC PHÁT TRIỂN
Giữ một câu hô hay một tiếng la bằng ngôn ngữ gốc, chọn một gương mặt khác cho một câu thoại, và chọn chữ nào trong khung hình cần dịch.
MÔ HÌNH NỀN TẢNG ĐẦU TIÊN CHO DỊCH ĐA PHƯƠNG THỨC
04.Giá mỗi phút
HÌNH. 03 · GIÁ MỖI PHÚT THÀNH PHẨM, CHO MỖI NGÔN NGỮ ĐÍCH · ELEVENLABS = $3/PHÚT BÁO GIÁ KHI THANH TOÁN · 5/8/2026 · KHOẢNG GIÁ TÍNH Ở ĐIỂM GIỮA
ElevenLabs$3 chỉ âm thanh
Phụ đề chuyên nghiệp~$10 chỉ văn bản
Giọng người thật$39–94
Lồng tiếng trọn gói$70–150
Lồng tiếng phòng thutừ $128
Không mức giá nào ở đây bao gồm lip sync. Con đường hỗ trợ để có lip sync cần một đội ngũ nghệ sĩ VFX và hàng tuần cho mỗi dự án; các công cụ một lần là xong hiện nay thì nhanh nhưng đánh đổi mọi thứ còn lại. Familiar vừa xong trong một lần vừa giữ được chất lượng: một lần render từ MLDM mang theo bản dịch, chính giọng của người nói, âm thanh khung cảnh và lip sync.
Giá phụ đề là mức trung vị của dịch chuyên nghiệp trên 11 ngôn ngữ trong nghiên cứu.
HÌNH ẢNH
Lên đến 4K
BẢN PHỐI
5.1 thực thụ hoặc stereo
PHỤ ĐỀ
.srt · .vtt
Kèm mọi bản lồng tiếng, cắt theo Timed Text Style Guide của Netflix: hai dòng, 42 ký tự mỗi dòng, tối đa 17 ký tự mỗi giây.
QUYỀN SỬ DỤNG
Hợp đồng Studio
Theo quy mô kho nội dung; hoàn tiền trong 30 ngày với hợp đồng năm đã ký.
Lồng tiếng trọn gói bằng người thật, gồm cả dịch lẫn giọng nói, tốn $70 đến $150 cho mỗi phút thành phẩm.
Tức là $4,200 đến $9,000 cho một video 60 phút ở một ngôn ngữ, nên ngay cả những tác phẩm lớn nhất cũng chỉ lồng tiếng vài ngôn ngữ, còn các tác phẩm nhỏ hơn, chương trình và phim ngắn dọc thì hoàn toàn không lồng tiếng.
YẾU TỐ QUYẾT ĐỊNHThuật ngữ là rủi ro: đưa các thuật ngữ chuyên môn vào Danh sách Không Dịch và kiểm tra chúng ở màn hình duyệt.
BÀI GIẢNG ĐẠO
YẾU TỐ QUYẾT ĐỊNHBản ghi hằng tuần đến với một cộng đoàn đa ngôn ngữ, bằng chính giọng của người giảng thay vì giọng của phiên dịch viên.
LIVESTREAM
YẾU TỐ QUYẾT ĐỊNHChỉ lồng tiếng trực tiếp mới phù hợp ở đây; phụ đề và bản lồng tiếng ghi sẵn đều đến quá muộn. Ở Familiar, lồng tiếng trực tiếp đang được phát triển.
QUẢNG CÁO VÀ VIDEO SẢN PHẨM
YẾU TỐ QUYẾT ĐỊNHThời lượng ngắn khiến một bản lồng tiếng trọn vẹn chỉ là một khoản nhỏ, và chính giọng của nhà sáng lập hay người phát ngôn mới tạo được niềm tin.
HÌNH. 04 · 100 KÊNH YOUTUBE LỚN NHẤT, THEO NGÔN NGỮ
64TRONG TOP 100 KHÔNG PHẢI TIẾNG ANH
Không phải tiếng Anh64%
Tiếng Anh36%
30 ngôn ngữ của Familiar dịch từ bất kỳ sang bất kỳ: một kênh tiếng Tây Ban Nha hay tiếng Hàn có thể dịch video sang tiếng Anh, nơi mở ra lượng khán giả lớn nhất.
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 →
HeyGen
ElevenLabsHeyGen + ElevenLabsONE-SHOT TOOLS · NO CONTROL