语言版本EnglishEspañolPortuguês中文日本語한국어FrançaisDeutschالعربيةBahasa IndonesiaРусскийItalianoTiếng ViệtไทยNederlandsΕλληνικάУкраїнська粵語NorskCatalàHrvatskiLietuviųSlovenčinaSvenskaБългарскиСрпскиБеларускаяDanskҚазақшаLatviešu
摘要
YouTube 自动配音会为符合条件的视频生成翻译后的音轨，免费，直接在平台内完成。我们在一个固定样本集（50 组成对配音；阿拉伯语、西班牙语、法语、印地语、韩语；2026 年 8 月 8 日）上，把它交付的配音与原片、与 Familiar 逐一对比。三项发现：配音用的是陌生人的声音，超过四分之一的要点被改动或漏掉，背景音被压平了。完整数据见YouTube 基准测试全文。
它是什么
- 备选音轨：符合条件的频道，视频会生成支持语言的音轨，由观众自己选择。
- 不花钱，也不需要任何工作流程。
- 能不能用由平台说了算：在我们的片段库里，有可用自动配音的源片段只有 43 个中的 25 个。
我们测了什么
成对配音
50
2026 年 8 月 8 日固定
语言
5
阿拉伯语、西班牙语、法语、印地语、韩语
对齐配对
31
音色还原度
源要点
528
语义审核
维度怎么打分
声音
怎么打分声音不是说话人本人的。与原片相比音色还原度为 0.141；Familiar 为 0.399，在 31 组严格对齐的配对上高出 182.9%。
语义
怎么打分意思走样。528 个重要源要点中有 145 个被改动或漏掉（27.5%）；Familiar 为 43 个（8.1%）。12 条配音出现严重意思错误；Familiar 为 0。
场景
怎么打分场景被压平。背景音频谱误差 11.21 dB，Familiar 为 3.37 dB；笑声和反应声的形态相关度为 0.236，Familiar 为 0.998。
YOUTUBE145
FAMILIAR43
0.141
与真实说话人的音色还原度：一个陌生人的声音
232.6%
背景音错误比 Familiar 多出的幅度
25/43
有可用自动配音的源片段；Familiar 配完了全部 43 个
什么时候它是对的选择
只想验证翻译后的受众到底存不存在：免费、零投入，就是合适的价格。
当频道就是这个人本身时（声音、表达、反应），一条带声音与口型同步的配音能补上这道差距，交付最高 4K，原生 5.1 或立体声混音。
局限
只针对这一样本集。这是对所采集样本集的固定黑盒研究，不代表每一条 YouTube 配音、每一种语言或未来的版本。
预测自然度（UTMOS 2.12 vs 1.85）只是模型诊断指标，不确定性很大。不计 CER/WER；语义审核接受合理的意译。
参考资料
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