立場

為何世界上大部分內容從來沒有配音

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

不是「生成式 AI」，是成就創作人的翻譯。配音一直是世界上大部分地方用不上的東西。完整人工配音每分鐘成片要 $70 至 $150，每種語言都要有自己的演員和製作班底，每種語言也各有自己的時間表。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。全新範式，業界首創，改變了這一切：多模態本地化決策模型（MLDM），首個多模態翻譯基礎模型，負責繁瑣的部分，讓一場演出觸及每一群觀眾。
首個多模態翻譯基礎模型

一種語言的成本

完整人工配音

$70 至 $150

翻譯加聲音，每分鐘成片計。

一條 60 分鐘的影片

$4,200 至 $9,000

只計一種目標語言。十種語言，就要乘以十。

一部賣座大片負擔得起最大的幾個市場。一部紀錄片、一個清談節目或一季微短劇，通常連一種語言也負擔不起。

每種語言背後的人手

一條配音就是一次製作。每種語言都需要自己的譯者和改編、一次選角、為每個角色配音的配音員、一位導演、一間錄音室和一位混音師。Netflix 全球內容本地化高級總監 Catherine Retat 在首爾一個本地化圓桌會議上直言規模：製作一個配音版本，通常要 50 至 60 人，所以配成十種語言，就要大約 500 人。消息來自 Digital Today。
來源 [Digital Today](https://www.digitaltoday.co.kr/en/view/115229/netflix-up-to-60-people-per-language-for-dubbing-work-with-122-partners-worldwide)，2026 年 10 月 15 日

這門手藝貨真價實，最好的配音之所以好聽，正是因為它。但這也意味著，每多一種語言，就要多找、多約、多指導一個新團隊。

時間

每種語言各有自己的時間表：

  1. 01

    按唇部動作改編劇本。

  2. 02

    選角。

  3. 03

    逐句錄音。

  4. 04

    指導每一個鏡次。

  5. 05

    對照原版混音。

上映日期很少會等最慢的那種語言，所以語言清單最後只剩下趕得及完成的幾種。

誰被遺漏了

把成本、人手和時間放在一起，就得出今天的版圖：

頂級製作
現時的做法只配幾個最大的市場。
規模較小的製作、節目和微短劇
現時的做法大多完全不配音；最多只有字幕。

觀眾並不是在用英語等著。根據 Internet World Stats 截至 2020 年 3 月 31 日的估算，英語佔互聯網用戶的 25.9%，見 Wikipedia：大約 74% 的互聯網用戶不說英語。

對他們大部分人來說，世界上大部分影片從來沒有配音。

把繁瑣的部分交給 MLDM。

配音的工作大部分都是重複的：把每一句對白帶進新的語言，用說話者的聲音，讓嘴唇跟著新台詞動。這正是 MLDM 負責的部分。配成 30 種語言時，它決定每一句用哪個譯法、要翻譯哪一把聲音、鏡頭上是誰在說話，以及唇形怎樣跟上。演員、演出、時間點和場景聲音都保持原樣。

團隊始終掌握主導權。

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。現時你的創意總監會在渲染前對照原文閱讀譯文，遇上可以有多於一種落點的對白，就在幾個選項之中揀選。選擇哪些聲音保留原來的語言、哪一張臉在說話，以及畫面中哪些文字要翻譯，正在開發中。

數據從哪裡來

我們用來訓練的所有數據，全部由 Familiar 團隊親自製作。

不會憑空捏造任何東西，也沒有提示詞：放進去的是你的影片，出來的是同一場演出，換成另一種語言。它不是傳統意義上的「生成式 AI」。它是翻譯，讓為一個國家製作的節目可以去到下一個國家。

我們是創作流程裡的另一件工具。

常見問題

為何沒有更多節目配音？

成本、人手和時間。完整人工配音每分鐘成片要 $70 至 $150，每種語言都要有自己的演員、導演和錄音室，每種語言也各有自己的時間表。頂級製作只配幾種語言；規模較小的製作、節目和微短劇大多完全不配音。

Familiar 的配音發佈前由誰檢查？

你的團隊。每條影片都會在審閱畫面暫停，你可以在渲染前修改任何一句；可以有多於一種落點的對白，會交回幾個選項讓你揀選。

Familiar 是生成式 AI 嗎？

不是。Familiar 是多模態本地化決策模型（MLDM）：它決定怎樣把原有的內容本地化，不需要提示詞。放進去的是你的影片，出來的是同一場演出，換成另一種語言。我們用來訓練的所有數據，全部由 Familiar 團隊親自製作。我們是創作流程裡的另一件工具。

參考資料

  1. [1]Digital Today, Netflix says it deploys up to 60 people per dubbed language, works with 122 partners worldwide，2026 年 10 月 15 日
  2. [2]Wikipedia, Languages used on the Internet（Internet World Stats，2020 年 3 月 31 日），2026 年 10 月 24 日查閱
  3. [3]2026 年配音要多少錢？
  4. [4]為何 Familiar 不是傳統意義上的生成式 AI

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