完全指南

视频翻译完全指南（2026）

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

翻译一条视频有四种方式：字幕；陌生人声音的画外音；只换声音、用说话人自己声音的配音；以及声音加口型同步的配音，连表演一起翻译过去：口型同步，以及嘴唇之外的一切。下面讲清每种方法保住了什么、每分钟要花多少、怎么选：无论你是把一条视频翻成英语、翻成西班牙语，还是把整个片库翻成 30 种语言。

翻译视频的四种方式

各方法保住了什么 · 每种语言、每分钟成片的价格
方法台词声音面部场景常见价格
字幕靠读，不靠听保留（原音频）保留保留每条 Familiar 配音都附带 · 专业翻译约每分钟 $10
画外音（传统配音）由陌生人说出被替换嘴型还是原语言取决于录音棚的混音完整人工配音（翻译加配音演员）$70 到 $150 · 仅配音套餐 $39 到 $94 · 高端录音棚 $128 起
只换声音的配音说出来说话人自己的嘴型还是原语言常常受损（第 02 节实测）$3（ElevenLabs 结账报价，2026 年 8 月 5 日），只含音频
声音加口型同步的配音说出来说话人自己的口型对上新语言，最高 4K音乐、音效、环境音都保留；原生 5.1 或立体声混音Familiar：一次渲染，通过 Studio 合约开通

YOUTUBE 自动配音 · 画外音

  • YouTube 自动配音和画外音，都是给说话人换上另一个声音。

只换声音的配音

  • 只换声音的配音常被搜作“声音克隆”，声音保住了；嘴却还在说原来的语言。

声音加口型同步的配音AI 口型同步

也就是大家搜的 AI 口型同步，只是延伸到了整张脸。详见AI 视频配音详解（2026）。
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

质量指什么，怎么衡量

靠得住的测试是成对的：同一条源视频分别交给每套系统。

对比 ElevenLabs 的两项成对研究，从不合并计算，公开于 /benchmark/elevenlabs，评判维度：

语义声音克隆场景环境音层瞬态时间点
图 01 · 被审核标记的语音输出错误 · 稳定版 DUBBING V1 · 418 组成对输出 · 11 种语言
ElevenLabs258
Familiar132
  • 同一项研究：Familiar 的音色还原度高出 27.8%，更像说话人本人（0.4605 vs 0.3604）。
  • 全部 11 种语言都是 Familiar 领先。
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

Dubbing v2 (Alpha) 研究，111 组成对输出，结果同样如此：

270%

ElevenLabs 的背景音错误多出 270%：笑声、音乐、环境音。

11.92 VS 3.22 DB · DUBBING V2 (ALPHA)
54.7%

Familiar 的重大口语翻译错误少 54.7%。

29 VS 64 · DUBBING V2 (ALPHA)
+28.2%

Familiar 的笑声与反应声形态相关度更高。

0.960 VS 0.749 · DUBBING V2 (ALPHA)

翻译质量能做到什么程度

2026 年 8 月：Familiar 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。

图 02 · 翻译质量 vs 资深专业译者初译 · 虚线 = 专业译者的 100%
法语100.0%
中文98.2%
印地语103.3%
印尼语99.6%
法语、中文、印地语、印尼语（对照资深专业译者的初译）

另一半是掌控权，这正是 Familiar 的多模态本地化决策模型（MLDM）把决定摆出来的地方；它是首个多模态翻译基础模型，全新范式，业界首创：

不翻译清单
「不翻译清单」让名字和口头禅完全按说话人的原话保留。
笑点和话里有话的台词
笑点和话里有话的台词会返回几版译文，每版都附上理由，由你的创意总监挑选。
审核界面
每条视频都会先停在审核界面：渲染前可以修改任何一句。每个决定都会随配音任务一并记录，都可以修改。
研发中
保留原语言的一段口号或一声呐喊、为某句台词换一张脸、选择翻译画面里的哪些文字。
首个多模态翻译基础模型

每分钟成本

图 03 · 每种目标语言、每分钟成片的价格 · ELEVENLABS = 结账报价每分钟 $3 · 2026 年 8 月 5 日 · 价格区间取中点
ElevenLabs$3 仅音频
专业字幕约 $10 仅文字
人工配音$39–94
完整人工配音$70–150
录音棚配音$128 起
这些价格都不含口型同步。走辅助工具这条路，需要一支视效团队，每个项目花上数周；如今的一键式工具速度快，其余的却都放弃了。Familiar 一气呵成，质量也到位：MLDM 的一次渲染，就带上翻译、说话人自己的声音、场景音和口型同步。
字幕价格取研究所涉 11 种语言的专业翻译价格中位数。

画面

最高 4K

混音

原生 5.1 或立体声

字幕

.srt · .vtt

每条配音都附带字幕，按 Netflix 的《定时文本样式指南》切分：最多两行，每行 42 个字符，每秒最多 17 个字符。

开通方式

Studio 合约

按你的片库规模定制；签署的年度合约享 30 天退款保障。

完整的人工配音，翻译加配音演员，每分钟成片 $70 到 $150。

一条 60 分钟的视频配一种语言，就是 $4,200 到 $9,000，所以即便是顶级制作也只配少数几种语言，规模小一些的制作、剧集和竖屏短剧干脆不配音。

开通方式：/pricing；完整的价格调查：2026 年配音要花多少钱？

按内容类型选择

口播类视频
关键在哪里信息靠脸来传达，所以适合声音加口型同步的配音。
播客和访谈
关键在哪里几位说话人都得保住各自的声音。
电影和剧集
关键在哪里音乐、音效和反应声的时间点，决定一条配音能不能看；第 02 节实测的正是这些。影视公司实操指南：为什么配音在海外显得别扭，影视公司如何解决 和 电影配音，最好的 AI 方案是什么？
流媒体片库
关键在哪里瓶颈在覆盖面：上传即配音，按语言审核，每种语言过审就上线。流媒体平台如何补上本地语言配音的缺口。
短剧
关键在哪里每天更新的剧集用演员自己的声音，名字和口头禅由剧集级的「不翻译清单」保住。日更节奏下的短剧配音。
多国同步发行
关键在哪里一次请求覆盖每种目标语言，每个市场在各自审批通过后上线。多国同步发行：一次配好所有市场。
课程和讲座
关键在哪里风险在术语：把专业术语放进「不翻译清单」，在审核界面上逐一核对。
布道
关键在哪里每周一次的录音，面向说多种语言的会众，用的是讲道者自己的声音，而不是口译员的。
直播
关键在哪里这里只有直播配音合适；字幕和录播配音都来得太晚。Familiar 的直播配音正在研发中。
广告和产品视频
关键在哪里时长短，完整配音只是一笔小开支；创始人或代言人的真实声音，才撑得起信任。
图 04 · 全球最大的 100 个 YOUTUBE 频道，按语言
  • 非英语64%
  • 英语36%

Familiar 的 30 种语言任意互译：西班牙语或韩语频道也能把视频翻成英语，这是最大的一块受众增量。

参考资料

  1. [1]Netflix《定时文本样式指南：字幕模板》，2026 年 10 月 30 日查阅
  2. [2]Familiar vs ElevenLabs 基准测试：完整结果、置信区间与试听示例
  3. [3]AI 翻译 vs 人工翻译：与专业译者同场测试（2026）

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