实测评测

ElevenLabs 配音评测：我们实测了什么

FAMILIAR 研究更新于 全部文章
语言版本EnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu

摘要

ElevenLabs 配音只处理音频；在同一批片段上实测，ElevenLabs Dubbing v2 (Alpha) 的背景音错误比 Familiar 多出 270%：笑声、音乐、环境音；Familiar 的重大口语翻译错误少 54.7%（29 次 vs 64 次；111 组成对输出，覆盖普通话、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（418 组成对输出）。完整数据和试听示例见ElevenLabs 基准测试全文。

ElevenLabs 配音是什么

DUBBING V1

  • 稳定的程序化接入方式，大多数集成都用它。

DUBBING V2 (ALPHA)

  • 较新的产品，通过网站提供。

两者都是接收一个视频或音频文件，先转写，再翻译剧本，然后用一个力求贴近原说话人的声音念出译文。

下面的实测都是音频对音频。

只有音频没有口型同步画面里的脸仍在说原语言

它擅长什么

成熟、文档完善的 API
接口稳定，集成简单直接。
非常长的语言列表
目标语言远离主流时很有用。
出色的独立文字转语音
根据剧本做旁白和画外音，它仍是领先的工具。
这一品类最大的品牌
大多数人搜索声音克隆、AI 配音或 AI 口型同步时，最先找到的就是它。

我们测了什么

两项成对的黑盒研究，都在 2026 年 8 月 5 日运行。

  1. 01

    同一批源片段和目标语言分别交给每套系统。

  2. 02

    只评估用户最终拿到的音频。

  3. 03

    两项研究分开报告。

研究 A · VS DUBBING V1
图 01 · 音色还原度 · DUBBING V1 · FAMILIAR +27.8% · 全部 11 种语言
FAMILIAR0.4605
ELEVENLABS0.3604
+95.5%

ElevenLabs 被审核标记的语音输出错误多出 95.5%。

258 VS 132
+261%

ElevenLabs 的背景音频谱误差多出 261%。

12.27 VS 3.40 dB
+10.2%

Familiar 的预测自然度。

2.51 VS 2.28 · 探索性指标
笑声与反应声形态相关度：Familiar 高出 +243.7%，0.759 vs 0.221。音效与节拍时间点 F1：Familiar 高出 +24.3%，0.947 vs 0.762。
研究 A | 418 组成对输出 | 38 个片段 | 11 种语言 | 2026 年 8 月 5 日运行
研究 B · VS DUBBING V2 (ALPHA)
图 02 · 重大翻译错误 · DUBBING V2 (ALPHA) · FAMILIAR 少 54.7% · 111 组成对配音
ELEVENLABS64
FAMILIAR29
图 03 · 存在重大语义问题的配音 · DUBBING V2 (ALPHA) 36/111 VS FAMILIAR 23/111（+56.5%）
  • 至少有一处重大语义问题的配音32%
  • 没有重大语义问题的配音68%
270%

ElevenLabs 的背景音错误多出 270%：笑声、音乐、环境音。

11.92 VS 3.22 dB MAE
+221%

ElevenLabs 的笑声与反应声响度误差多出 221%。

3.32 VS 1.04 dB · 18 个片段 / 54 次对比
+28.2%

Familiar 的笑声与反应声形态相关度：0.960 vs 0.749。成对 95% 置信区间不含零。

音色还原度：在这一样本量下尚无定论（Familiar 的点估计为 +3.5%；置信区间跨过零）；预测自然度同样如此。覆盖率：Familiar 完成了全部 38/38 个源片段；Dubbing v2 (Alpha) 因 11 秒的最短时长拒收了那段 10.94 秒的片段（37/38）。
研究 B | 111 组成对输出 | 普通话、西班牙语、日语 | 2026 年 8 月 5 日运行
图 04 · 同一批片段定性审计 · ELEVENLABS 各类缺陷 · 2026 年 8 月 5 日
词语45
笑声/音效8
声音丢失6
重叠6
演绎4
环境音4
词语
次数45
听起来是什么样漏掉或凭空多出。
笑声/音效
次数8
听起来是什么样笑声和音效被打断。
声音丢失
次数6
听起来是什么样说话人的声音没了。
重叠
次数6
听起来是什么样几个说话人撞成一个声音。
演绎
次数4
听起来是什么样被念平了。
环境音
次数4
听起来是什么样环境音层被剥掉。

置信区间、分语言结果和试听示例：/benchmark/elevenlabs。完整的正面对比：Familiar vs ElevenLabs 配音：两项成对研究。

片库规模下的流程限制

2026 年 8 月 5 日所见：

11 秒

片段最短时长。低于这个时长的短视频、冷开场和反应剪辑都无法配音；我们那段 10.94 秒的片段被拒收。

20

每批条数上限。四条视频配成六种语言就是 24 条输出，一批装不下。

30

并发请求上限。十条视频配成十种语言就是 100 个请求：至少要分四波。

v1

修改译文。在当前的 Dubbing v2 上，通过 API 修改转写、重新生成音频仅限 Enterprise 套餐；完整编辑器 Dubbing Studio 跑在 v1 模型上，处于维护模式（他们的官方文档，2026 年 10 月 30 日）。

一条视频配一种语言时，这些都无关紧要。如果是一整个存量片库，或者一批多语种频道，配音领域 ElevenLabs 的最佳替代方案（2026）对各种选择做了比较。片库与发行实操指南：流媒体平台如何补上本地语言配音的缺口和多国同步发行：一次配好所有市场。

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

价格

全包

Familiar 一次渲染，按每种目标语言、每分钟成片计，全部包含：翻译、说话人自己的声音、场景音和口型同步，交付最高 4K，原生 5.1 或立体声混音。

通过 STUDIO 合约开通
$3

ElevenLabs 配音，按每种目标语言、每分钟配音计。只含音频。

结账报价 · 2026 年 8 月 5 日

再用最好的独立工具 Sync.so 接上口型同步，每分钟要多 $8：合计 $11，仍然没有 5.1 混音。关于配音的音频，ElevenLabs 自己的文档写道：

……最多为立体声……5.1 及其他多声道音频不会保留。
ElevenLabs Help Center, which file formats are supported by Dubbing

作为参照，完整的人工配音，翻译加配音演员，每分钟成片 $70 到 $150；按这个价格，世界上大多数内容都用不起。视觉配音的高端是辅助式工具：Flawless TrueSync 这类工具每个项目都需要一支视效团队忙上数周，而且每种语言都是一个新项目。ElevenLabs 一键出片，却放弃了上面实测的其余一切；Familiar 一气呵成，质量也在。

更完整的价格版图，包括人工配音费率：2026 年配音要花多少钱？

结论

视频配音

实测结果指向了别处。

独立的语音生成
结论ElevenLabs 仍是领先的工具；要把音频配成冷门的长尾语言，它可能是唯一现实的选择。
视频配音
结论两项研究中翻译错误都更少、场景音误差都更低；在 Dubbing v1 上，声音与真实说话人的接近程度高出 27.8%。
画面上
结论一张说着新语言的脸：口型同步，以及口型之外完整的面部演绎。
翻译文本
结论另行与资深专业译者同场测试，与他们的初译打平（AI 翻译 vs 人工翻译：与专业译者同场测试）。
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
30 种语言，任意互译翻译 + 声音 + 场景音 + 口型同步，一次渲染最高 4K 画面 · 原生 5.1 混音通过 STUDIO 合约开通，按你的片库规模定制

参考资料

  1. [1]Familiar vs ElevenLabs 基准测试：完整结果、置信区间与试听示例
  2. [2]AI 翻译 vs 人工翻译：与专业译者同场测试（完整的翻译研究）
  3. [3]ElevenLabs 配音文档
  4. [4]ElevenLabs 帮助中心：配音支持哪些文件格式（音频最多为立体声；不保留 5.1）

多模态翻译

Familiar Labs 用多模态本地化决策模型（MLDM），让配音迎来代际飞跃。这是首个多模态翻译基础模型：一个模型决定本地化什么，覆盖文本、音频和画面，并把选择摆到你面前。你的声音与口型，带进新的语言。团队8人，汇聚多位博士；投资方包括 Samsung、RedBird、Gold House。 我们的使命

查看完整基准测试 →联系团队