正面對比基準測試

Familiar vs ElevenLabs Dubbing：兩項配對研究

FAMILIAR 研究更新於 全部文章
語言版本EnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

摘要

以相同片段量度，Familiar 的聲音像真人說話者的程度比 ElevenLabs Dubbing v1 高 27.8%，測試的 11 種語言全部更接近（418 組配對輸出，2026 年 8 月 5 日）。在 ElevenLabs Dubbing v2 (Alpha) 上，ElevenLabs 的背景聲音錯誤多 270%（笑聲、音樂、環境聲），而 Familiar 的重要口語翻譯錯誤少 54.7%（29 次 vs 64 次；普通話、西班牙語、日語共 111 組配對輸出）。Familiar 在兩項研究的人聲事件上都領先，在 Dubbing v1 研究的預測自然度上亦然。完整數據和試聽範例：完整的 ElevenLabs 基準測試。

方法

DUBBING V1 · 配對輸出

418

38 段片段，11 種語言

DUBBING V2 (ALPHA) · 配對輸出

111

普通話、西班牙語、日語

研究日期

2026 年 8 月 5 日

兩項研究

來源片段

38

英語，每段權重相同

  1. 01

    配對與黑盒

    相同的英語來源片段和目標語言送到每套系統；只評估最終的音訊。
  2. 02

    語意審閱

    每條配音都按字詞時間碼轉寫，並對照同一份經核准的目標語意審閱。
  3. 03

    聲學量度

    把配音與來源場景比較：背景聲底、人聲事件的包絡和瞬態時間點。
  4. 04

    統計

    每段來源片段權重相同，95% 區間以來源片段重新抽樣，兩個樣本組從不合併計算。

Familiar 的輸出還帶有唇形同步的臉孔；以下每項量度都是音訊對音訊。

結果：ElevenLabs Dubbing v2 (Alpha)（他們最新的產品）

111 組最終音訊配對輸出普通話西班牙語日語
圖 01 · 重要翻譯錯誤 · DUBBING V2 (ALPHA) · FAMILIAR 少 54.7% · 111 組配對配音
ELEVENLABS64
FAMILIAR29
圖 02 · 出現任何重要語意問題的成品配音 · DUBBING V2 (ALPHA) · ELEVENLABS +56.5%
ELEVENLABS36/111
FAMILIAR23/111
270%

ElevenLabs 的背景聲音錯誤多 270%：笑聲、音樂、環境聲。

11.92 vs 3.22 dB MAE
+221%

ElevenLabs 的笑聲和反應音量錯誤多 221%。

3.32 vs 1.04 dB · 18 段片段 / 54 次比較
+28.2%

Familiar 的笑聲和反應形態相關度：0.960 vs 0.749。配對 95% 區間不包括零。

結果：ElevenLabs Dubbing v1（穩定版產品）

418 次片段與語言測試38 段片段11 種語言兩套系統完成全部測試
圖 03 · 說話者相似度 · DUBBING V1 · FAMILIAR +27.8% · 11 種語言全部以 FAMILIAR 較佳
FAMILIAR0.4605
ELEVENLABS0.3604
圖 04 · 背景頻譜錯誤 · DUBBING V1 · dB，愈低愈好 · 經核實的場景區段
ELEVENLABS12.27 dB
FAMILIAR3.40 dB
+95.5%

ElevenLabs 經審閱標出的口語輸出錯誤多 95.5%。

258 vs 132
+243.7%

Familiar 的笑聲和反應形態相關度：0.759 vs 0.221，經核實的事件區段。

+10.2%

Familiar 的預測自然度。

2.51 vs 2.28 · 探索性
DUBBING V2 (ALPHA)
維度覆蓋率
結果Familiar 完成了全部 38/38 段來源片段；Dubbing v2 (Alpha) 拒絕了那段 10.94 秒的片段，因為短於它 11 秒的下限（37/38）。
DUBBING V2 (ALPHA)
維度說話者相似度
結果以這個樣本量未有定論；Familiar 的點估計為 +3.5%，配對區間跨越零。
DUBBING V1
維度瞬態時間點（音效和節拍）
結果同樣以 Familiar 較佳：F1 0.947 vs 0.762。
ElevenLabsElevenLabsElevenLabsTHEIR 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

+243.7%

FAMILIAR ON LAUGHTER AND REACTION SHAPE

ELEVENLABS DUBBING V1 · 418 PAIRED OUTPUTS · 11 LANGUAGES · AUGUST 5, 2026Read the study Their docs

過程中遇到的工作流程限制

ELEVENLABS DUBBING3 項產品限制2026 年 8 月 5 日觀察所得
11 秒

片段長度下限。我們樣本中那段 10.94 秒的片段完全無法配音。

20

每批項目上限。四條影片配成六種語言已經是 24 個輸出，超過一批的容量。

30

同時請求上限。十條影片配成十種語言就是 100 個請求：至少要分四輪批次處理和等待。

  • Familiar 接受任何長度的片段；上載一次，就會分發到每一種已選語言。

價格

全包

每種目標語言每分鐘成片，一次 Familiar 渲染：翻譯、說話者自己的聲音、場景聲音和唇形同步，交付最高 4K，真正的 5.1 或立體聲混音。

以 STUDIO 合約提供
$3

ElevenLabs Dubbing，每種目標語言每分鐘配音。只有音訊。

結帳頁報價 · 2026 年 8 月 5 日
$3 只買到音訊。要追上一次 Familiar 渲染，你還得另外拼接唇形同步：業界最好的獨立工具 Sync.so 每分鐘 $8，合共 $11，而且依然沒有 5.1 混音。ElevenLabs 自己的官方文件寫明，配音「最多只有立體聲……5.1 及其他多聲道音訊不會保留」。作為參照，完整的人工配音，翻譯加聲音，每分鐘成片要 $70 至 $150；以這個價錢，世界上大部分地方都用不上。
產品限制和價格於 2026 年 8 月 5 日觀察所得，可能會有變動。

附來源的完整價格研究：2026 年配音要多少錢？

翻譯文字對比專業譯者

另一項 2026 年 8 月的研究，把 Familiar 生產流程的翻譯與資深專業譯者對比，以專家修訂稿為標準盲測評分。

在法語、中文、印地語和印尼語，Familiar 與他們的初稿旗鼓相當。

圖 05 · 翻譯質素對比資深專業譯者初稿 · 盲測評分 · 2026 年 8 月
法語100.0%
中文98.2%
印地語103.3%
印尼語99.6%
虛線 = 專業譯者初稿（100%）
100.3%

平均達到專業譯者初稿的翻譯質素。

法語、中文、印地語、印尼語（資深專業譯者初稿）

研究限制

語意審閱由模型輔助、只做了一輪；獨立的母語雙重複核尚待進行。Dubbing v2 (Alpha) 的說話者相似度和自然度：以這個樣本量未有定論；從不與 v1 的結果合併計算。片段是精選的真實片段，並非所有影片的機率樣本。

參考資料

  1. [1]Familiar vs ElevenLabs 基準測試：完整結果、置信區間與試聽範例
  2. [2]AI 翻譯 vs 人工翻譯：與專業譯者對比測試（完整翻譯研究）
  3. [3]ElevenLabs Dubbing 官方文件（按來源時長和語言數量計價）
  4. [4]ElevenLabs 說明中心：Dubbing 支援哪些檔案格式（音訊最多立體聲；不保留 5.1）

多模態翻譯

Familiar Labs 以多模態本地化決策模型（MLDM），打造高出一個世代的配音。這是首個多模態翻譯基礎模型：一個模型橫跨文字、聲音和畫面，決定本地化甚麼，並把選擇交給你過目。你的聲音和唇形，帶進新的語言。團隊 8 人，當中有博士，獲 Samsung、RedBird、Gold House 支持。 我們的使命

查看完整基準測試 →聯絡團隊