常见问题
配音迎来代际飞跃:你的声音与口型,带进新的语言;把 ElevenLabs 和 HeyGen 拼在一起用,听起来、看起来仍然像另一个人。这不只是 AI 对口型:整张脸都在演绎新的语言,遮挡与空间推理也包括在内。
在我们公开发布的基准测试中:
- 他们的最新产品背景音错误多出270%:笑声、音乐、环境音
- 我们的重大翻译错误比他们的最新产品少54.7%
- 在他们的 Dubbing v1 上,我们的音色还原度高出27.8%,全部11种语言都更接近说话人本人
在同样的片段上,ElevenLabs:
- 漏词或凭空添词45次
- 笑声和音效破碎8次
- 说话人的声音跑偏6次
- 几个人同时说话时声音打架6次
- 语气被压平4次
- 现场环境音被抹掉4次
- 它的 API 拒绝处理不足11秒的片段
自己拼一套,每分钟 $11:Sync.so 的口型同步 $8,加上 ElevenLabs 的音频 $3。Familiar Labs 的一条配音就包含声音、口型和翻译,交付最高 4K,原生 5.1 环绕声或立体声混音。
都还在。笑声、音乐和低音、音效,还有城市或派对的环境音:整个场景完整保留,连密集复调也不例外。同一批片段实测,ElevenLabs 的背景音错误多出270%。YouTube 自动配音则多出232.6%。亲耳听听:thefamiliarlab.com/benchmark。
我们把自己的译文与专业译者放到同一场测试里,对照专家修订的参考译文盲评打分:在法语、中文、印地语、印尼语上取平均,我们的翻译达到专业译者初译质量的100.3%。与专业译者持平。一次渲染就包含翻译、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。
支持13种语言,输入输出均可,任意互译:阿拉伯语、德语、俄语、法语(法国)、韩语、葡萄牙语(巴西)、普通话、日语、泰语、西班牙语(拉丁美洲)、意大利语、印地语、英语。
配音终于像样了:你的声音与口型,带进新的语言。
在此之前,配音意味着陌生人的声音,嘴的动作和说的话对不上。而真人配音,世界上大多数地方从来都用不上:就连顶级制作也只配少数几种语言,因为成本、人力和时间都撑不住;小一些的制作、剧集和竖屏短剧,干脆就不配音。现在,配音里还是你本人:同一场表演,换一种语言。口型同步 + 语音翻译。任何视频都行。
测过,测了两次:同样的片段交给两套系统,只比较最终输出的音频。先在他们的 Dubbing v1 上对比了11种语言、共418组成对输出,随后又在最新的 Dubbing v2 (Alpha) 上对比了111组。我们的重大翻译错误比他们的最新产品少54.7%,他们的背景音错误还多出270%;在 Dubbing v1 上,我们的声音在全部11种语言中都测得更接近说话人本人。完整数据和试听示例:thefamiliarlab.com/benchmark。
ElevenLabs 结账时报价每分钟 $3,只含音频。在他们当前的模型上,通过 API 修改译文仅限 Enterprise 套餐。他们的完整编辑器跑在旧版 Dubbing v1 上,处于维护模式;在这个模型上,Familiar Labs 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。Familiar Labs 一次渲染就把翻译、你的声音、场景音和口型同步全部包含在内,没有11秒的最短时长,没有每批20条的限制,也不用分批排队:上传一次,每种语言都会渲染,交付最高 4K,原生 5.1 环绕声或立体声混音。套餐以 Studio 合约提供,按你的内容库规模定制。
画面干净、稳定的素材:2到3人出镜的播客和访谈;直面镜头的视频;讲座、讲道。镜头里的每个人都会被配音,遮挡与空间推理也不在话下:比如手或麦克风挡在脸前。医疗旅游诊所、旅行社、律所和保险公司的视频也正是这种形式:问诊、行程介绍、给客户讲清案件与理赔。直播配音正在研发中。快速切换镜头、表情包遮脸、抖动画面,对我们目前的 Alpha 模型来说更难处理;正在开发的下一个版本会攻克它们。
完全按你说的保留。你可以设置一份「不翻译清单」:口头禅、朋友的名字、招牌感叹词。笑话会被重新改写,好让它在目标语言里同样好笑。
Familiar Labs 是一个研究实验室,构建的是多模态翻译:代际飞跃级的配音,也读得懂人:情绪,以及人与人如何交谈、倾听、回应。研究实验室的灵魂,产品团队的心跳。我们的团队有7名全职成员,汇聚了来自斯坦福和延世大学 Visual Intelligence Lab(韩国顶尖的视觉 AI 实验室)的博士与研究者,并由 Youngjung Uh 教授(延世大学)和 Xu Zheng 教授(香港科技大学)担任顾问。我们开创了音视频联合人物建模这一领域,共同研发了当前最先进的实时人像动画模型,同时运营着 Veritasium、3Blue1Brown 和 Welch Labs 的国际频道。已发表的论文,按研究方向分列如下。音视频联合生成:JAM-Flow(ECCV 2026)、Syncphony(ICLR 2026)和 TTS-CtrlNet。实时人像动画:SoulX-LiveAct(ACM MM 2026 Oral)。快速视频生成:FlowBlending、TCFG(CVPR 2025)、Balanced Conic Rectified Flow(NeurIPS 2025)、Plug-and-Play Diffusion Distillation(CVPR 2024)和 HARIVO(ECCV 2024)。扩散模型内的编辑:TextAway、StyleKeeper(ICCV 2025)、Training-free Content Injection(WACV 2024)、Visual Style Prompting(CVPR 2024 研讨会最佳论文奖)、黎曼潜在空间几何(NeurIPS 2023)和 Asyrp(ICLR 2023)。多模态感知:Any2Seg(ECCV 2024 Oral)、ExACT(CVPR 2024 Highlight)、EgoNight(ICLR 2026)、RealRAG(ICML 2025)、Pano-R1(ACM MM Asia 2025)、UiG 和 UniBind(CVPR 2024)。2021 年以来,被引用超过 10,000 次、发表论文 100 余篇,遍及 ICLR、NeurIPS、CVPR、ECCV 等顶会。
我们的下一个版本将攻克最难处理的素材:画面内外有十几个人在说话,夹杂着游戏窗口、表情包和视觉特效。整张脸都在演绎新的语言,最终目标是全身。
每条配音都会在渲染前停在审核界面,你可以先编辑任意一行。
套餐以 Studio 合约提供,按你的内容库规模定制:联系团队。每条配音都交付最高 4K,原生 5.1 环绕声或立体声混音。翻译加真人配音的整套人工配音,成片每分钟要 $70 到 $150,所以世界上大多数地方都用不上:就连顶级制作也只配少数几种语言,因为成本、人力和时间都撑不住;小一些的制作、剧集和竖屏短剧,干脆就不配音。
配音成片归你,可以发布到任何地方。
观众排斥的是冒充真人的 AI,欢迎的是为自己服务的 AI。Familiar Labs 的配音是你自己的声音与面容,经你本人同意制作。每种语言的观众,看到的都是同一场表演。用 AI 创新,观众照样爱你。
不是。我们只在你本人同意下翻译你。
不是。Familiar Labs 是多模态本地化基础模型(MLFM):它决定如何本地化已有的内容,不凭提示词做出任何新东西。传统意义上的生成式 AI,是根据提示词做出新内容。Familiar Labs 没有提示词,也不编造任何东西:放进去的是你的视频,出来的是同一场表演,换成了另一种语言。我们训练用的所有数据,其实都出自 Familiar Labs 团队之手。我们是创作流程中的又一个工具。
为了打破阻碍理解的每一道壁垒。我们的 CEO Andrew Liu 曾是整所学校里唯一的亚洲人,没法用英语和同学交流,是看电视学会了这门语言。世界各地的每个人,都值得同样的品质:让创作者和演员用任何语言自如表达,触达新的观众。
每种语言都是一条最高 4K 的成片,完整混音为原生 5.1 环绕声或立体声,由你选,24 位 PCM WAV。此外还有由你审核过的译稿生成的 .srt 和 .vtt 字幕、译好的标题和简介,以及可单独下载的音频:完整的混音,或只含人声的音轨,方便你自行混音。
影视、短剧、电视节目、企业与教育、广告、创作者与播客,以及承载这一切的平台,都说每一种语言。
大脑要把口型和声音合在一起,才能听懂别人说话;两者一旦对不上,理解就会变得吃力,甚至会听成完全不同的音。科学家称之为麦格克效应,是一种视听言语整合现象。只换声音的配音,等于把这种错位留在每一帧画面里;在 Familiar Labs 的配音里,观众看到的口型和听到的话对得上。
画面最高 4K。音频为原生 5.1 环绕声或立体声混音,由你选,24 位 PCM WAV,动态范围 144 dB,另附只含人声的音轨。Studio 合约交付 ProRes 母版。流媒体平台要求配音与原版混音一致:原片是 5.1,配音就得是 5.1。
MLFM 是首个多模态翻译基础模型,全新范式,业界首创:一个模型,决定本地化什么、怎么本地化,覆盖文本、音频和画面,并把关键的选择摆到你面前。先定翻译,再一气呵成做出配音:声音、口型和场景一并到位。
- 翻译:一个笑点、一段故事或一句接话,该用哪种译法:哪些不用翻译,俚语照原样保留,名字和品牌保留不译,典故换掉,避开当地文化的忌讳,脏话的尺度按观众来定。创意总监能看到每个选项和背后的理由,再做选择。
- 音频:先决定哪些该翻译。它找出主要的那个声音,笑声、人群和喊声原样保留;哪些保留原语言,这项选择正在研发中。
- 画面:画面里是谁在说话,谁在旁白,谁在画外;口型,包括遮挡与空间推理;需要强调时,表情和手势怎么跟上。画面里的文字正在研发中:它会当场决定哪些保持拍摄原样,比如品牌、名字、俚语,所以一袋 Tostitos 还是 Tostitos;换哪张脸、翻译哪些文字的选择也会一同到来。
每个决定都随配音任务一并记录,你都可以改。没有提示词,也不编造任何东西:它决定的是如何本地化已有的内容。
在我们自有的算力上:一个价值八位数美元的 NVIDIA B300 GPU 集群,用的是市面上最强的 GPU,就在加拿大多伦多。这就是自有算力推理:你的素材从不在公有云上处理,不论是 Google Cloud 还是 AWS,也不经第三方推理服务商之手,因此绝不会外泄。素材放进来,配好的成片交出去,整个处理过程都留在我们自有的算力上。
能:歌曲配音(Song Dubbing),首个真正意义上的歌曲配音。同一位歌手,同一段录音和演唱,带进另一种语言;一句都不用重唱。歌词逐句译成能唱的样子:音节、押韵(包括句中韵和多押)、律动、曲风和原意都守住。MV 也一并配音。这是一项面向唱片公司和旗下艺人的专人全程服务,一张专辑一张专辑地做,每种语言的歌词都由艺人或其团队认可后才发布:联系团队。详见 thefamiliarlab.com/blog/song-dubbing。
专人全程服务:我们的团队和唱片公司、艺人一起,逐句打磨每一张专辑。配音后的每一句,音节绝不少于原句,旋律里没有一个音符落空,也只比原句多出几个以内。原歌的押韵格局原样保留,只要语言允许,句中韵、多押、韵母的呼应和反复也一并带过去。律动放在第一位:读着顺、唱着别扭的一句,就是错的一句。原意和用意绝不为押韵而改动,说唱还是说唱,抒情歌还是抒情歌。歌迷会跟着唱的 hook,可以保留原语言。一句有不止一种译法时,由艺人来挑;每一句在发布前都要经过认可。
签有合约的影视公司、流媒体平台和唱片公司项目,每个文件都会在离开你的网络之前在你的电脑上加密,传输途中即使被截获也无法读取。内容只在我们位于加拿大多伦多的自有服务器上处理和存储;解密密钥由两位指定负责人保管,除我们指定的安全角色外,任何人都无法打开。如你要求零数据保留,配音一交回即删除;也可以在你验收后删除,或在交付 14 天后自动删除。你的内容绝不会被用于训练。Familiar Labs 是 Trusted Partner Network+(TPN+)的成员,完整政策逐条回应 MPA 内容安全最佳实践的每一项控制:thefamiliarlab.com/security。

