从人到人，不是从 AI 到 AI

01. 共情

关键在情绪。我们知道是真实的人在演绎真实的情绪，于是跟着一起感受。有一部分观众只想听到声音；大多数人分得出来。何况标注迟早会来：各大平台都会给 AI 制作的内容打上标记。所以画面再精细，这道差距也不会消失。只有人是真的，它才会消失。

02. 明星效应

我们喜欢明星。我们追一部剧，是冲着一张熟悉的脸和一场精彩的表演。一旦不是本人，明星的号召力就会打折，围绕明星打造的大制作也会跟着打折。

03. 配音留住了什么

配音让一切保持不变：人、表演、场景、音乐。变的只有语言。所以我们做的是决策模型，而不是视频模型：画面里是谁在说这句台词，情绪从耳语到大喊，哪个名字或品牌保持原样，画面里的文字写的是什么。没有任何东西是编出来的，全都是原样带过去的。

04. 用心做的 AI 内容

未来会有 AI 辅助的内容，也会有 AI 制作的内容，其中一些是真正花了心思做的。这样的内容照样需要配音。通用模型没法用一种新语言把同一场戏重来一遍，还让对的人开口说话，笑声和音乐原样保留，画面上的文字也一并替换。而翻译，恰恰是最强的通用模型单打独斗时最先失手的地方：笑点传不过去，名字被翻译了，俚语在新语言里成了不好的意思，碰到当地文化忌讳的话题。不怎么用心的内容不值得配音，按每种文化重做一版就行。这没问题。我们不做这一块。

还有一些内容，根本没法重做：

现场的那一刻，只能原样带过去。我们的下一个版本正朝这个方向走。

05. 两条赛道

快车道：上传一次，出来什么就是什么，无从掌控，译文也没法审核。品质赛道：人、表演和场景都留住，每个决定都有记录，你都可以改，而且一气呵成。我们是有意选了第二条。

HeyGenElevenLabsHeyGen + 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 →

06. 为什么品质赛道会越走越宽

每一部作品都会让记录更厚一点：那种文化忌讳什么，哪些俚语会变味，脏话能到什么尺度，该用哪些译法，一个笑点怎么才能传过去。一次定下的选择，下一集也会沿用。通用视频模型能用某种语言生成内容，远早于它能本地化到这种语言；我们覆盖 30 种语言，这些细微之处会不断积累。

++

从人到人，让同一段表演走得更远。