正面对比基准测试

Familiar vs ElevenLabs 配音：两项成对研究

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

在同一批片段上，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）。在 ElevenLabs Dubbing v2 (Alpha) 上，ElevenLabs 的背景音错误多出 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）。在笑声等人声事件上，Familiar 在两项研究中都领先，在 Dubbing v1 研究中的预测自然度也更高。完整数据和试听示例见ElevenLabs 基准测试全文。

方法

DUBBING V1 · 成对输出

418

38 个片段，11 种语言

DUBBING V2 (ALPHA) · 成对输出

111

普通话、西班牙语、日语

研究日期

2026 年 8 月 5 日

两项研究

源片段

38

英语，每个片段权重相同

  1. 01

    成对、黑盒

    同一个英语源片段、同一种目标语言分别交给每套系统；只评估最终音频。
  2. 02

    语义审核

    每条配音都带词级时间戳转写，并对照同一份批准的目标语义审核。
  3. 03

    声学指标

    把配音与源场景对比：环境音层、人声事件包络和瞬态时间点。
  4. 04

    统计

    每个源片段权重相同，95% 置信区间按源片段重采样，两组样本从不合并计算。

Familiar 的输出还带有口型同步的面部画面；下面的每一项指标都是音频对音频。

结果：ElevenLabs Dubbing v2 (Alpha)（他们的最新产品）

111 组最终音频成对输出普通话西班牙语日语
图 01 · 重大翻译错误 · DUBBING V2 (ALPHA) · FAMILIAR 少 54.7% · 111 组成对配音
ELEVENLABS64
FAMILIAR29
图 02 · 存在任一重大语义问题的成片配音 · DUBBING V2 (ALPHA) · ELEVENLABS +56.5%
ELEVENLABS36/111
FAMILIAR23/111
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。

结果：ElevenLabs Dubbing v1（稳定版产品）

418 次片段 × 语言试验38 个片段11 种语言两套系统都完成了每一次试验
图 03 · 音色还原度 · DUBBING V1 · FAMILIAR +27.8% · 全部 11 种语言都是 FAMILIAR 领先
FAMILIAR0.4605
ELEVENLABS0.3604
图 04 · 背景音频谱误差 · DUBBING V1 · dB，越低越好 · 经核验的场景片段
ELEVENLABS12.27 dB
FAMILIAR3.40 dB
+95.5%

ElevenLabs 被审核标记的语音输出错误多出 95.5%。

258 VS 132
+243.7%

Familiar 的笑声与反应声形态相关度：0.759 vs 0.221，经核验的事件片段。

+10.2%

Familiar 的预测自然度。

2.51 VS 2.28 · 探索性指标
DUBBING V2 (ALPHA)
维度覆盖率
结果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）。
DUBBING V2 (ALPHA)
维度音色还原度
结果在这一样本量下尚无定论；Familiar 的点估计为 +3.5%，成对置信区间跨过零。
DUBBING V1
维度瞬态时间点（音效与节拍）
结果同样是 Familiar 领先：F1 0.947 vs 0.762。
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

测试中碰到的流程限制

ELEVENLABS 配音3 项产品限制2026 年 8 月 5 日观察
11 秒

片段最短时长。我们样本集里那段 10.94 秒的片段完全无法配音。

20

每批条数上限。四条视频配成六种语言，就已经是 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：至少要分四波排队等待。

  • Familiar 接受任意时长的片段；上传一次，就能配成每一种选定的语言。

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
$3 只买到音频。要达到 Familiar 一次渲染的效果，你还得另外接上口型同步：最好的独立工具 Sync.so 每分钟 $8，合计 $11，仍然没有 5.1 混音。ElevenLabs 自己的文档写道：配音“最多为立体声……5.1 及其他多声道音频不会保留”。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。
产品限制与价格为 2026 年 8 月 5 日所见，之后可能变化。

完整的价格研究及来源：2026 年配音要花多少钱？

翻译文本 vs 专业译者

另一项 2026 年 8 月的独立研究，把 Familiar 正式产品的翻译与资深专业译者同场对比，对照专家修订的参考译文盲评打分。

在法语、中文、印地语、印尼语上，Familiar 与他们的初译打平。

图 05 · 翻译质量 vs 资深专业译者初译 · 盲评 · 2026 年 8 月
法语100.0%
中文98.2%
印地语103.3%
印尼语99.6%
虚线 = 专业译者初译（100%）
100.3%

相当于专业译者初译质量的平均水平。

法语、中文、印地语、印尼语（对照资深专业译者的初译）

局限

语义审核由模型辅助、单轮完成；独立的母语双人审核尚在进行。Dubbing v2 (Alpha) 的音色还原度与自然度：在这一样本量下尚无定论；从不与 v1 的结果合并计算。片段是精选的真实素材，并非全部视频的概率抽样。

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（按源时长和语言数量计费）
  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