完整指南

影片翻譯：完整指南（2026）

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

翻譯影片有四種方法：字幕；由陌生人聲音說出的旁白配音；以說話者自己聲音進行、只有聲音的配音；以及聲音加唇形同步的配音，翻譯的是整場演出：唇形同步，以及更進一步的一切。本文講解每種方法保留甚麼、每分鐘要多少錢、怎樣揀選，無論你是把影片翻譯成英語、西班牙語，還是把整個內容庫配成 30 種語言。

翻譯影片的四種方法

各種方法保留甚麼 · 每種語言每分鐘成片價格
方法字詞聲音臉孔場景一般價格
字幕用眼讀，不是用耳聽保留（原來的音訊）保留保留每條 Familiar 配音都附上 · 專業翻譯每分鐘約 $10
旁白配音（傳統配音）由陌生人說出被換掉嘴形仍是原來的語言視乎錄音室的混音完整人工配音 $70 至 $150，翻譯加聲音 · 單是配音套餐 $39 至 $94 · 高端錄音室 $128 起
只有聲音的配音說出來說話者自己的嘴形仍是原來的語言經常受損（第 02 節有量度數據）$3（ElevenLabs 結帳頁報價，2026 年 8 月 5 日），只有音訊
聲音加唇形同步的配音說出來說話者自己的唇形同步到新的語言，最高 4K保留音樂、音效、環境聲；真正的 5.1 或立體聲混音Familiar：一次渲染，以 Studio 合約提供

YOUTUBE 自動配音 · 旁白配音

  • YouTube 自動配音和旁白配音都是把另一把聲音放到說話者身上。

只有聲音的配音

  • 只有聲音的配音，常被搜尋為「聲音複製」，保留了聲音；嘴巴卻仍在說原來的語言。

聲音加唇形同步的配音AI 唇形同步

大家搜尋的 AI 唇形同步，延伸到整張臉。詳見：AI 影片配音詳解（2026）。
HeyGenHeyGenElevenLabsElevenLabsHeyGen + 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

質素指甚麼，又怎樣量度

誠實的測試必須是配對的：把同一條來源影片交給每套系統。

兩項與 ElevenLabs 對比的配對研究，從不合併計算，公開於 /benchmark/elevenlabs，評估以下幾方面：

語意聲音複製場景聲底瞬態時間點
圖 01 · 經審閱標出的口語輸出錯誤 · 穩定版 DUBBING V1 · 418 組配對輸出 · 11 種語言
ElevenLabs258
Familiar132
  • 同一研究：Familiar 的聲音像真人說話者的程度高 27.8%（0.4605 vs 0.3604）。
  • 11 種語言全部以 Familiar 較佳。
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

Dubbing v2 (Alpha) 研究共 111 組配對輸出，結果走勢相同：

270%

ElevenLabs 的背景聲音錯誤多 270%：笑聲、音樂、環境聲。

11.92 VS 3.22 DB · DUBBING V2 (ALPHA)
54.7%

Familiar 的重要口語翻譯錯誤少 54.7%。

29 VS 64 · DUBBING V2 (ALPHA)
+28.2%

Familiar 的笑聲和反應形態相關度較高。

0.960 VS 0.749 · DUBBING V2 (ALPHA)

翻譯質素可以做到甚麼水平

2026 年 8 月：把 Familiar 與資深專業譯者對比，以專家修訂稿為標準盲測評分。

圖 02 · 翻譯質素對比資深專業譯者初稿 · 虛線 = 專業譯者的 100%
法語100.0%
中文98.2%
印地語103.3%
印尼語99.6%
法語、中文、印地語、印尼語（資深專業譯者初稿）

另一半是掌控權，這正是 Familiar 的多模態本地化決策模型（MLDM）展示其決定的地方；它是首個多模態翻譯基礎模型，屬全新範式，業界首創：

不翻譯清單
不翻譯清單令名字和口頭禪完全按說話者的原話保留。
笑位和話中有話的對白
笑位和話中有話的對白會交回幾個譯本，各附理由，讓你的創意總監揀選。
審閱畫面
每條影片都會在審閱畫面暫停：渲染前可以修改任何一行。每一個決定都會連同該次配音工作一併記錄，並且可以推翻。
開發中
讓一段口號或一聲叫喊保留原來的語言、為某句對白選用另一張臉、決定翻譯畫面中哪些文字。
首個多模態翻譯基礎模型

每分鐘成本

圖 03 · 每種目標語言每分鐘成片價格 · ELEVENLABS = 結帳頁報價每分鐘 $3 · 2026 年 8 月 5 日 · 價格範圍取中位數
ElevenLabs$3 只有音訊
專業字幕~$10 只有文字
人工配音$39–94
完整人工配音$70–150
錄音室配音$128 起
以上收費全部不包括唇形同步。要做到唇形同步，輔助式的做法需要一隊 VFX 特效師、每個項目花上幾個星期；現時一次過完成的工具速度快，代價是其餘一切。Familiar 是一次過，同時保住質素：MLDM 一次渲染，就包含翻譯、說話者自己的聲音、場景聲音和唇形同步。
字幕價格是研究涵蓋的 11 種語言專業收費的中位數。

畫面

最高 4K

混音

真正的 5.1 或立體聲

字幕

.srt · .vtt

每條配音都附上，依 Netflix Timed Text Style Guide 規範切分：兩行，每行 42 個字元，每秒最多 17 個。

使用方式

Studio 合約

按你的內容庫規模定制；已簽署的年度合約享 30 日退款保證。

完整人工配音，翻譯加聲音，每分鐘成片要 $70 至 $150。

一條 60 分鐘的影片配一種語言就要 $4,200 至 $9,000，所以即使頂級製作也只配幾種語言，規模較小的製作、節目和微短劇更是完全不配音。

使用方式：/pricing；完整的收費調查：2026 年配音要多少錢？

按內容類型揀選

對鏡說話的影片
關鍵考慮訊息靠臉孔傳達，所以適合聲音加唇形同步的配音。
Podcast 和訪問
關鍵考慮多位說話者，每位都要保住自己的聲音。
電影和電視劇
關鍵考慮音樂、音效和反應的時間點，決定一段配音看不看得下去；第 02 節量度的正是這些。製作公司的實戰指南：配音在海外為何不對勁？製作公司如何解決和電影最好的 AI 配音是甚麼？
串流內容庫
關鍵考慮覆蓋率是限制所在：上載即配音，逐種語言審閱，每種語言審批通過就推出。串流平台如何補上本地語言配音的缺口。
微短劇
關鍵考慮每日一集，用演員自己的聲音，名字和口頭禪由整套劇的不翻譯清單鎖定。微短劇每日上線，配音如何跟上。
同步推出
關鍵考慮一個請求覆蓋所有目標語言，每個市場各自審批後推出。多國同步推出：所有市場一次配音。
課程和講座
關鍵考慮術語是風險所在：把專業術語放進不翻譯清單，並在審閱畫面逐一檢查。
講道
關鍵考慮每週錄製的內容觸及多語言的會眾，用的是講者自己的聲音，而不是傳譯員的聲音。
直播
關鍵考慮這裡只有即時配音適用；字幕和錄製後的配音都來得太遲。在 Familiar，即時配音正在開發中。
廣告和產品影片
關鍵考慮片長短，完整配音只是一筆小開支，而創辦人或代言人的真實聲音，正是信任所在。
圖 04 · 全球最大的 100 個 YOUTUBE 頻道，按語言劃分
  • 非英語64%
  • 英語36%

Familiar 的 30 種語言可以任意互譯：西班牙語或韓語頻道可以把影片翻譯成英語，這是解鎖最大觀眾群的一步。

參考資料

  1. [1]Netflix, Timed Text Style Guide: Subtitle Templates，2026 年 10 月 30 日查閱
  2. [2]Familiar vs ElevenLabs 基準測試：完整結果、置信區間與試聽範例
  3. [3]AI 翻譯 vs 人工翻譯：與專業譯者對比測試（2026）

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