简短回答
要点速览
- 三个缺陷让配音显得别扭：陌生人的声音、还在说原语言的嘴，以及被新对白压平的场景。
- 同一批片段实测，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）。
- 对比 ElevenLabs Dubbing v1，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（418 组成对输出，2026 年 8 月 5 日）。
- 片方自己的译者可以在渲染前修改任何一句译文，每种语言各自确认后才渲染。
01.配音为什么显得别扭？
其中两个缺陷比 AI 更古老：配音演员同样是一个陌生人的声音，而任何录音棚都动不了演员的嘴。只换声音的 AI 配音还可能添上第三个：被压平的场景，下文有实测。
- 陌生人的声音。无论是配音演员还是素材库里的声音在念台词，熟悉这位演员的人都认不出他了（AI 视频配音详解（2026））。
- 说着另一种语言的嘴。大脑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：这就是麦格克效应，属于视听言语整合现象。只换声音的配音，等于把这种错位留在每一帧画面里。
- 被压平的场景。笑声、音乐、音效和环境音，在新的语音之下被剥掉或抹糊。
- 逐句直译。一句话逐字对应地译过来，即使正确也读着生硬，笑话要么落地晚了，要么根本落不了地（视频翻译真正重要的是什么）。
02.实测数据怎么说？
ElevenLabs Dubbing v2 (Alpha) 的背景音错误多出 270%：笑声、音乐、环境音。
11.92 vs 3.22 dB · ElevenLabs Dubbing v2 (Alpha) · 111 组成对输出 · 普通话、西班牙语、日语 · 2026 年 8 月 5 日对比 ElevenLabs Dubbing v1，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。
0.4605 vs 0.3604 · ElevenLabs Dubbing v1 · 418 组成对输出 · 11 种语言 · 2026 年 8 月 5 日相当于专业译者初译的质量，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。打平。
正式产品翻译研究 vs 专业译者初译 · 2026 年 8 月两组 ElevenLabs 样本与人工翻译研究从不合并计算。完整数据、置信区间和试听示例：Familiar vs ElevenLabs 与 vs 专业译者；方法见 AI 翻译 vs 人工翻译：与专业译者同场测试（2026）。
- 译文，ElevenLabs Dubbing v2 (Alpha)。Familiar 的重大翻译错误少 54.7%（29 次 vs 64 次）。
- 语音输出错误，ElevenLabs Dubbing v1。Familiar 被审核标记的语音输出错误少 48.8%（132 次 vs 258 次）。
03.声音、口型和场景出自同一个模型，会有什么不同？
一个统一模型把声音、口型和场景一起生成，读得懂场景与世界，也让每个人的身份始终一致，所以演员本人的演绎原样保留，而不是陌生人的声音配一张口型对不上的脸。
- 声音来自演员本人的演绎。配音不是文字转语音：它以原始音频为输入，保留说话人的身份与演绎方式。
- 面部重新演绎：眼神、眉毛、脸颊、头部，不只是嘴。整张脸都在演绎新的语言，观众看到的口型和听到的话对得上（AI 口型同步：是什么、缺什么、什么更好（2026））。
- 场景在配音后依然完整。笑声、音乐和低音、音效、环境音；模型识别为音乐的片段原样直通。
- 镜头里的每个人都会被配音，各用自己的声音；/demos 上那段三人电影场景就是英语配成西班牙语。麦克风挡在嘴前，手从脸前划过：模型读得懂遮挡。
- 名字、地名和口头禅完全按原话保留，靠的是片方自己掌控的「不翻译清单」；笑话在目标语言里重新改写落地。
- 一次渲染就带上翻译、演员的声音、场景音和口型同步。
04.影视公司怎么用？
- 渲染前先审核，按语言分别放行。流程会在审核环节暂停，片方自己的译者可以编辑任何一句译文；每种语言各自确认后才渲染，西班牙语今天就能上，其余语言等各自的审校人员签字后再渲染（转写与审核）。
- 一句话说明。说清谁在镜头里、这是部什么剧，可以在创作者层级为整部剧设置，也可以在任务层级为单集设置；更具体的层级优先（一句话说明）。
- 「不翻译清单」同样有这三个层级，角色名和口头禅在第 60 集和第 1 集里一模一样（不翻译清单）。
- Webhook。翻译就绪时推送 dub.ready_for_review，每种语言完成时推送 dub.output_ready（Webhook）。
- 30 种语言，任意互译，按公开的三个质量梯队从高到低排列（语言）。
- 参考价格。翻译加真人配音的整套人工配音，成片每分钟要 $70 到 $150；Familiar 以 Studio 合约提供，按片库规模定制。
| 交付物 | 格式 | 说明 |
|---|---|---|
| 成片 | 带完整混音的 mp4 | 可直接发布 |
| 字幕 | .srt 和 .vtt | 由审核过的译稿生成；不单独出售 |
| 独立音频 | 完整混音，或只含人声的音轨 | 供片方自行混音 |
| 标题和简介 | 每种语言各自译好 | 链接、@账号、#话题标签和章节原样保留 |
05.整季签约之前，影视公司该测什么？
- 挑最难的一集：对白快、有笑点、有情绪转折、有专有名词、对白下压着音乐；一段干净的场景证明不了一整季。
- 在任何人试听之前先写好验收标准。母语审校人员据此为译文、声音、场景和面部打分，并标出观众出戏的那一刻；评分表见如何做一次 AI 配音试点（2026）。
- 放进一次后期改动。母版一旦改动，就是一次新的配音请求；改动的台词在审核环节核对，「不翻译清单」和一句话说明会自动沿用。
常见问题
为什么海外观众说配音显得别扭？
三件事脱节了：声音属于一个陌生人，嘴还在说原语言，对白之下的音乐和环境音被压平。观众很少能说出原因；但口型和声音对不上，话就更难听懂。
问题出在翻译还是声音？
两者都有，而且会叠加：逐句直译即使正确也读着生硬，换掉的声音则把演员本人抹掉了。在成对片段上，对比 ElevenLabs Dubbing v1，Familiar 的音色还原度高出 27.8%；另一项独立研究中，它的翻译达到专业译者初译质量的 100.3%，打平。
我们自己的译者还能审稿吗？
可以。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：日语还在审核时，西班牙语已经可以上线。
角色名和口头禅能跨集保持一致吗？
可以。「不翻译清单」让名字、地名和口头禅在配音、字幕以及译好的标题和简介里完全按原话保留。在创作者层级设置，覆盖整部剧的每一集；任务层级的条目只对某一次上传生效。
每种语言我们能拿到什么？
带完整混音的成片、由审核过的译稿生成的 .srt 和 .vtt 字幕、译好的标题和简介，以及独立音频：完整混音，或只含人声的音轨，供片方自行混音。
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