由人到人，不是由 AI 到 AI

01. 共鳴

關鍵在情感。我們明白眼前是一個真人在演繹最真實的情緒，於是跟著他一起感受。有一部分觀眾只想聽到聲音；大多數人卻分辨得出來。而且標示遲早會來：各大平台都會標明 AI 製作的內容。所以畫面再精細，差距也不會因此收窄。只有當那個人是真的，差距才會消失。

02. 明星效應

我們喜歡明星。我們看一套劇，是為了一張熟悉的臉和一場精彩的演出。當那個人其實不是他本人，明星效應就會減弱，圍繞他打造的大製作也一樣。

03. 配音留住甚麼

配音讓一切保持不變：那個人、那場演出、那個場景、那段音樂。改變的只有語言。所以我們打造的是決策模型，而不是影片模型：鏡頭上是誰在說這句台詞，情緒由耳語到大叫，哪個名字或品牌保持原樣，畫面中的文字寫著甚麼。沒有任何東西是憑空捏造的，全都是原樣帶過去。

04. 用心製作的 AI 內容

將來會有 AI 輔助的內容，也會有 AI 製作的內容，其中一些會是真正用心製作的。這些內容同樣需要配音。通用模型無法用新的語言重演同一個場景，同時讓對的人說話、保留笑聲和音樂、替換畫面上的文字。而翻譯正是連最好的通用模型也會自己失手的地方：一個笑話帶不過去，一個名字被翻譯了，一個俚語在新語言裡有不好的意思，一個題材是當地文化避諱的。不花心思的內容不值得配音；它們只會按每種文化重新製作一次。這沒有問題。我們不是為這類內容而設的。

而有些內容根本無法重新製作：

現場的時刻只能原樣帶過去。我們的下一個版本正朝這個方向發展。

05. 兩條路線

快速路線：上載一次，出來甚麼就是甚麼，無從掌控，譯文也無法審閱。優質路線：那個人、那場演出和那個場景都留住，每一個決定都有記錄，由你推翻，一次過完成。我們刻意選擇了第二條路。

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

+27.8%

FAMILIAR CLOSER TO THE REAL SPEAKER

FAMILIAR · ONE SHOT AND THE QUALITYFamiliar vs Flawless TrueSync →The ElevenLabs study →The demos →

06. 為甚麼優質路線會愈走愈強

每一部作品都會累積到記錄裡：那種文化避諱甚麼，哪個俚語會變味，粗口可以去到幾盡，用詞怎樣才對，笑話怎樣才帶得過去。某個選擇一旦定下，下一集會自動沿用。通用影片模型能用某種語言生成內容，遠早於它們能本地化成那種語言；我們處理 30 種語言，這些細節會一直累積。

++

由人到人，觸及更多觀眾。