簡短回答
重點摘要
- 只處理音訊的流程會把重疊的說話者撞成一個聲音，所以三人對話的場景是電影公司該做的第一個測試。
- 以相同片段測試，ElevenLabs Dubbing v2 (Alpha) 的背景聲音錯誤多 270%：笑聲、音樂、環境聲（111 組配對輸出，2026 年 8 月 5 日）。
- Familiar 生產流程的翻譯，在法語、中文、印地語、印尼語達到專業譯者初稿質素的 100.3%，旗鼓相當。
- 電影公司在渲染前的審閱步驟修改任何一句譯文，不翻譯清單令角色名字和口頭禪完全照原話保留。
01.電影配音必須留住甚麼？
一個電影場景把所有難題疊在一起：幾位演員你一句我一句，對白之下有配樂，環境聲要跨越剪接點連貫不斷，而觀眾早已熟悉每位演員的聲音。
- 聲音。配音不是文字轉語音：它以演員錄下的台詞為輸入，保留身份和表達方式。
- 整個演出。觀眾邊聽邊讀唇，仍照原文語言開合的嘴，在每一格畫面都跟新台詞作對；演員演一句台詞，用的也是整張臉：眼睛、眉毛、面頰、頭部（AI 唇形同步：是甚麼、欠甚麼、甚麼更好（2026））。
- 場景。配樂、環境聲、音效和人群聲留在對白之下：判定為音樂的段落絕不配音，底噪在新語音之下完整保留。
- 每位說話者。鏡頭前每個人都會配音，各自用自己的聲音；只處理音訊的流程會把重疊的說話者撞成一個聲音（雞尾酒會問題）。
- 台詞。配音需要一份用目標語言重寫的劇本：笑話重新落地，角色名字和口頭禪完全照原話保留（影片翻譯真正重要的是甚麼）。
02.怎樣評判？
六個維度的評分表和配對方法見全球最好的 AI 配音：如何量度；一個電影場景把它們壓縮成五個問題。
| 準則 | 電影公司會問的問題 | Familiar 的基準測試如何量度 |
|---|---|---|
| 每位說話者保留自己的聲音 | 閉上眼：鏡頭前每位演員仍是同一個人嗎，包括兩人同時說話的時候？ | 配音對真人說話者的說話者相似度，按來源片段和目標語言計算（ElevenLabs Dubbing v1 研究，11 種語言）；重疊說話者相撞在相同片段審核中記錄為一類缺陷 |
| 臉部演出台詞 | 嘴、眼睛、眉毛、面頰和頭部都在說新台詞，還是只有嘴唇？ | 在相同片段上並排比較；公開的研究只比較最終音訊，所以只處理音訊的工具跳過這一行 |
| 場景完整保留 | 配樂仍在對白之下嗎？環境聲呢？音效呢？ | 對照來源場景的背景聲音錯誤，以 dB 計（ElevenLabs Dubbing v2 (Alpha) 研究） |
| 台詞傳達原意 | 每一句都說出劇本的意思嗎？笑話落地了嗎？角色的名字保住了嗎？ | 每個輸出對照一個已批准的意思計算重要翻譯錯誤（ElevenLabs Dubbing v2 (Alpha) 研究）；翻譯質素以專家修訂稿為標準盲測評分（人工翻譯研究） |
| 有量度，有公開 | 相同片段經過每套系統、樣本組凍結、數據公開嗎？ | 配對黑盒研究，附置信區間、試聽範例和凍結樣本組，公開於 thefamiliarlab.com/benchmark |
- 參考渲染。一段三人審訊場景，英語配成西班牙語，在 /demos 與原片並排播放；那裡另一段並排比較，咪高峰擋著嘴，手掠過臉：模型明白甚麼在遮擋。
03.量度了甚麼？
Familiar 的研究是配對且黑盒的：相同的來源片段經過每套系統，只比較最終音訊，每個樣本組保持凍結和獨立。
ElevenLabs 的背景聲音錯誤多 270%：笑聲、音樂、環境聲。
ElevenLabs Dubbing v2 (Alpha) · 111 組配對輸出 · 普通話、西班牙語、日語 · 2026 年 8 月 5 日Familiar 的聲音像真人說話者的程度高 27.8%；測試的 11 種語言全部更接近。
ElevenLabs Dubbing v1 · 418 組配對輸出 · 11 種語言 · 2026 年 8 月 5 日Familiar 生產流程的翻譯與專業譯者初稿的質素旗鼓相當，法語、中文、印地語、印尼語平均計算，以專家修訂稿為標準盲測評分。
生產流程翻譯研究 vs 專業譯者初稿 · 法語、中文、印地語、印尼語 · 2026 年 8 月- 台詞，同一樣本組。在相同的 111 組配對輸出中，Familiar 的重要翻譯錯誤比 ElevenLabs Dubbing v2 (Alpha) 少 54.7%，29 次 vs 64 次。
04.電影公司仍掌控甚麼？
- 每一句。流程會在審閱步驟暫停，任何一句譯文都可在渲染前修改，每種語言待其審閱人員簽核後才渲染（文字稿與審閱）。
- 名字和口頭禪。不翻譯清單令角色名字、地名和招牌台詞在配音、字幕以及翻譯好的標題和描述中完全照原話保留；一句背景簡介說明鏡頭前是誰、這是甚麼電影（不翻譯清單）。
- 聲音。聲音來自演員在該場景的演出本身；沒有選角步驟。
- 語言。一個來源渲染成最多 29 種目標語言，來源可以是 30 種任何一種，分三個公開的質素級別，最佳在前（語言）。
- 每種語言的交付項目。成品影片、根據審閱過的文字稿生成的 .srt 和 .vtt 字幕、翻譯好的標題和描述，以及獨立的音訊檔：完整混音，或只有人聲，供電影公司自行混音（輸出）。
- 權利。權利確認記錄在任務上。
05.簽下整個內容庫之前
- 挑最難的場景。三位說話者、對白之下有配樂、有笑話、有咪高峰或手擋著嘴。
- 先寫好驗收標準。表 01 就是評分表；母語審閱人員在任何人聽到候選方案之前，用電影公司自己的片段為每種語言盲測評分。
- 加入一次後期改動。第一次渲染後改一句，經審閱步驟再跑一次；審閱人員改動的句數本身就是質素指標。
- 以試行方式進行。配對設計、連續的場景、兩三種優先語言：如何進行 AI 配音試行（2026）。
- 取得使用權。以 Studio 合約提供，按內容庫規模定制；已簽署的年度合約享 30 日退款保證。
常見問題
場景裡每位演員都保留自己的聲音嗎？
是。鏡頭前每個人都會配音，各自用自己的聲音。在 11 種語言、418 組配對輸出上對比 ElevenLabs Dubbing v1，Familiar 的聲音像真人說話者的程度高 27.8%，11 種語言全部更接近。
配樂在配音後還在嗎？
在。判定為音樂的段落絕不配音，對白之下的底噪完整保留：配樂、環境聲、音效。以相同片段測試，ElevenLabs Dubbing v2 (Alpha) 的背景聲音錯誤多 270%（11.92 vs 3.22 dB；111 組配對輸出，2026 年 8 月 5 日）。
聲音對了，嘴形為何仍然重要？
觀眾會結合唇部動作和聲音來理解說話；兩者不吻合時，理解會變得困難，甚至會聽成另一個音（麥格克效應，McGurk & MacDonald，Nature，1976）。只配聲音的配音，把這種不吻合留在每一格畫面裡；Familiar 把聲音和唇形同步一起渲染。
作為參考，完整的人工配音要多少錢？
完整的人工配音，翻譯加聲音，每種語言每分鐘成片要 $70 至 $150：翻譯按公開的每字收費計算，每分鐘口語 $22 至 $45，加上聲音和錄音室 $39 至 $94。Familiar 一次渲染就帶齊翻譯、演員的聲音、場景聲音和唇形同步；以 Studio 合約提供。
參考資料
配音終於好了。先看實測數據，再跟團隊談談你的內容庫。
FAMILIAR · 發佈影片 · 2:31