简短回答
要点速览
- 只处理音频的流程会把同时说话的几个人撞成一个声音，所以三人对话的场景是片方该做的第一项测试。
- 同一批片段上，ElevenLabs Dubbing v2 (Alpha) 的背景音错误多出 270%：笑声、音乐、环境音（111 组成对输出，2026 年 8 月 5 日）。
- Familiar 正式产品的翻译在法语、中文、印地语、印尼语上与专业译者初译打平，达到其质量的 100.3%。
- 片方在渲染前的审核环节修改任意一句译文，「不翻译清单」让角色名和口头禅完全按原话保留。
01.一部电影的配音必须保住什么？
一个电影场景把所有难点叠在一起：几位演员你来我往，配乐压在对白之下，环境音要跨越剪辑点连续不断，而观众早就知道每位演员是什么声音。
- 声音。配音不是文字转语音：它以演员录下的那句台词为输入，保留身份与演绎方式。
- 完整的表演。观众边听边读口型，一张仍按原语言张合的嘴，在每一帧里都和新台词打架；演员演一句台词，用的也是整张脸：眼神、眉毛、脸颊、头部（AI 口型同步：是什么、缺什么、什么更好（2026））。
- 场景。配乐、环境音、音效和人群声留在对白之下：识别为音乐的片段从不配音，环境音层在新语音之下完整保留。
- 每一位说话人。镜头里的每个人都会被配音，各用自己的声音；只处理音频的流程会把同时说话的几个人撞成一个声音（鸡尾酒会问题）。
- 台词。配音需要一份用目标语言重写的剧本：笑话重新落地，角色名和口头禅完全按原话保留（视频翻译真正重要的是什么）。
02.怎么评判？
六维评分表和成对方法见世界上最好的 AI 配音：如何衡量；一个电影场景把它们压缩成五个问题。
| 标准 | 片方要问的问题 | Familiar 基准测试如何衡量 |
|---|---|---|
| 每位说话人保住自己的声音 | 闭上眼：镜头里的每位演员还是同一个人吗？两人同时开口时也是吗？ | 配音与说话人本人的音色还原度，按源片段和目标语言计（ElevenLabs Dubbing v1 研究，11 种语言）；同时说话时的声音撞车在同一批片段审计中记为一类缺陷 |
| 面部演绎台词 | 嘴、眼神、眉毛、脸颊和头部都在说新台词，还是只有嘴唇？ | 同一片段并排对比；公开研究比较的是最终音频，所以只做音频的工具跳过这一行 |
| 场景保住了 | 配乐还在对白之下吗？环境音呢？音效呢？ | 相对源场景的背景音错误，以 dB 计（ElevenLabs Dubbing v2 (Alpha) 研究） |
| 台词传达了原意 | 每一句都说出了剧本的意思吗？笑话落地了吗？角色名保住了吗？ | 每条输出相对同一份批准语义的重大翻译错误数（ElevenLabs Dubbing v2 (Alpha) 研究）；翻译质量对照专家修订的参考译文盲评打分（人工翻译研究） |
| 有实测，且公开 | 同一批片段过每套系统，样本集固定，数据公开吗？ | 带置信区间、试听示例和固定样本集的成对黑盒研究，公开于 thefamiliarlab.com/benchmark |
- 参考渲染。一段三人审讯场景，英语配成西班牙语，在 /demos 上与原版并排播放；那里的另一组并排对比里，麦克风挡在嘴前，手从脸前划过：模型读得懂遮挡。
03.测了什么？
Familiar 的研究是成对且黑盒的：同一批源片段过每套系统，只比较最终音频，每个样本集固定且彼此独立。
ElevenLabs 的背景音错误多出 270%：笑声、音乐、环境音。
ElevenLabs Dubbing v2 (Alpha) · 111 组成对输出 · 普通话、西班牙语、日语 · 2026 年 8 月 5 日Familiar 的音色还原度高出 27.8%；全部 11 种语言都更接近说话人本人。
ElevenLabs Dubbing v1 · 418 组成对输出 · 11 种语言 · 2026 年 8 月 5 日Familiar 正式产品的翻译与专业译者初译的质量打平，在法语、中文、印地语、印尼语上取平均，对照专家修订的参考译文盲评打分。
正式产品翻译研究 vs 专业译者初译 · 法语、中文、印地语、印尼语 · 2026 年 8 月- 台词，同一样本集。在同样的 111 组成对输出上，Familiar 的重大翻译错误比 ElevenLabs Dubbing v2 (Alpha) 少 54.7%，29 次 vs 64 次。
04.片方还掌控什么？
- 每一句。流程会在审核环节暂停，任何一句译文都能在渲染前修改，每种语言在其审校人员签字后才渲染（转写与审核）。
- 名字和口头禅。「不翻译清单」让角色名、地名和标志性台词在配音、字幕以及译好的标题和简介里完全按原话保留；一句话说明说清谁在镜头里、这是部什么电影（不翻译清单）。
- 声音。声音来自演员在这个场景里的本人表演；没有选角这一步。
- 语言。一个源可以渲染成最多 29 种目标语言，源语言可以是 30 种中的任意一种，按公开的三个质量梯队从高到低排列（语言）。
- 每种语言的交付物。成片、由审核过的译稿生成的 .srt 和 .vtt 字幕、译好的标题和简介，以及独立的音频文件：完整混音，或只含人声的音轨，供片方自行混音（成品）。
- 权利。授权确认随任务记录在案。
05.整个片库签约之前
- 挑最难的场景。三个人说话、对白下有配乐、有笑点、有麦克风或手挡在嘴前。
- 先写验收标准。表 01 就是评分表；在任何人听到候选方案之前，母语审校人员先在片方自己的素材上按语言盲评。
- 放进一次后期改动。第一次渲染后改一句台词，走一遍审核环节；审校人员改动的句数本身就是质量指标。
- 当作试点来做。成对设计、连续的场景、两到三种优先语言：如何做一次 AI 配音试点（2026）。
- 接入。以 Studio 合约提供，按片库规模定制；签订年度合约可享 30 天退款保证。
常见问题
场景里的每位演员都能保住自己的声音吗？
能。镜头里的每个人都会被配音，各用自己的声音。对比 ElevenLabs Dubbing v1，在 11 种语言的 418 组成对输出上，Familiar 的音色还原度高出 27.8%，全部 11 种语言都更接近说话人本人。
配乐在配音后还在吗？
在。识别为音乐的片段从不配音，对白之下的环境音层完整保留：配乐、环境音、音效。同一批片段上，ElevenLabs Dubbing v2 (Alpha) 的背景音错误多出 270%（11.92 vs 3.22 dB；111 组成对输出，2026 年 8 月 5 日）。
声音对了，口型为什么还重要？
观众要把口型和声音合在一起才能听懂别人说话；两者一旦对不上，理解就会变得吃力，甚至会听成完全不同的音（麦格克效应，McGurk & MacDonald，Nature，1976）。只换声音的配音把这种错位留在每一帧画面里；Familiar 把声音和口型一起生成。
作为参照，整套人工配音要花多少钱？
翻译加真人配音的整套人工配音，每种语言成片每分钟要 $70 到 $150：翻译按公开的每词费率，一分钟口语 $22–45，再加上配音演员和录音棚 $39–94。Familiar 一次渲染就带上翻译、演员的声音、场景音和口型同步；以 Studio 合约提供。
参考资料
配音终于像样了。先看实测数据，再和团队聊聊你的片库。
FAMILIAR · 发布视频 · 2:31