Rask AI 教學：把一支中文影片翻成日文配音，我實測的完整流程與踩雷筆記

上個月我幫台中一家做手工皂的品牌整理 YouTube 頻道。三十幾支中文影片，老闆想推日本市場，問我找配音員重錄要多少錢。我問了兩家後製，一分鐘成品兩千五到四千台幣，三十支、平均六分鐘，算下來是一台機車的錢。老闆的表情我到現在還記得。

那天下午我就把 Rask AI 開起來試。結果不是「完全取代配音員」那種童話，但預算壓到十分之一以下，日本那邊的合作夥伴看完樣片說「聽得出是 AI，但看得下去」。這篇把我實際跑過的流程、設定，還有幾個很花錢的坑寫清楚。

這是什麼工具

Rask AI 是一個做「影片在地化」的平台，總部在歐洲，主力就是把你既有的影片換成另一種語言的配音。它跟一般翻譯軟體不一樣的地方在於，它不是只給你字幕，而是走完整條龍：自動聽打逐字稿、翻譯、用你原本講者的聲線生成目標語言的語音、再選配唇形同步。

官方頁面目前寫的支援範圍是翻譯 130 種以上語言（有些子頁面寫 135），語音克隆則是 32 種語言。中文、日文、韓文、英文這些台灣品牌最常出海的語言都在裡面。數字官方偶爾會調，以 rask.ai 當下頁面為準。

說穿了，它服務的對象很明確：手上已經有影片庫、想低成本開新語言市場的人。YouTuber、線上課程講師、做產品教學影片的行銷，這三種人用它最有感。

它能做什麼（與不能做什麼）

能做的部分：多語配音是核心，一支影片可以同時派好幾個語言的工作。語音克隆會抓原講者音色，我自己的聲音翻成日文，像度我給七成五，語調偏平但不到機器人。多講者辨識認得出對談影片裡的兩三個人並各自配聲線。唇形同步是另一層運算，正臉近景效果最好。字幕可以下載 SRT、VTT，也能上傳自己校好的 SRT 蓋掉它的翻譯。另外還有翻譯字典跟翻譯提示詞，這兩個是專業用戶的分水嶺。量大有 API 可以批次跑。

不能做的部分要講清楚，這裡最容易期待落空。它不是影片剪輯軟體，轉場、字卡、B-roll、封面都做不了，我通常配音出來再丟 VEED.IO 收尾。它救不了爛收音，原始音檔有回音、環境噪音蓋過人聲，聽打就會錯，錯的逐字稿翻出來是災難。它不保證專有名詞正確。它也不是即時直播翻譯，是離線批次處理。

還有一點，中文轉出去的效果比英文轉出去差一些。斷句、破音字、數字讀法本來就難，我遇過「三十二克」被讀成怪腔，也遇過台語詞被硬翻。台語目前沒有正式支援。

怎麼用：步驟拆解

步驟零：整理素材（五到十分鐘）

這步很多人跳過然後回頭重做。輸出 1080p、人聲清楚的版本，背景音樂如果壓過人聲先降下來或拿掉，有原始無配樂人聲軌就用那個。先挑一支三到五分鐘的來試水溫，不要一開始就丟三十分鐘的講座。

步驟一：建立專案（約一分鐘）

登入後在 Dashboard 右上角按新增專案，把檔案拖進去或貼 YouTube 網址。接著設定三件事：來源語言（手動指定成中文，別讓它自動偵測，中英夾雜常猜錯）、目標語言（可複選但各自計費，先只勾一個）、講者數量。要語音克隆的話，記得把 voice cloning 開關打開，不然會給你預設的合成聲。

步驟二：等它跑（三分鐘影片大概五到十五分鐘）

等待時間看伺服器忙不忙，歐洲白天時段比較慢。跑完會寄信通知，可以先去忙別的。

步驟三：校對逐字稿與翻譯（真正花時間的地方）

進編輯器後，左邊是一段一段的字幕區塊，右邊是播放器，原文跟譯文都能直接改。我的習慣是先把中文原文從頭掃一遍修掉聽錯的字，再看譯文。一支十分鐘的影片，這步大概花三十到四十分鐘。

改完文字之後，那段的語音要按重新生成才會更新。很多人第一次用會漏掉，結果匯出來還是舊的聲音。

步驟四：處理長度爆掉的段落

中文翻日文，字數常膨脹三成以上，於是譯文講不完被切掉，或語速被壓到聽不清。編輯器可以調整單段時間長度，也可以允許某段超出原時間軸。我的做法是回頭把譯文改短，通常比硬拉時間軸自然。

步驟五：唇形同步（選配，要再等一輪）

配音定稿之後才開 lip-sync，它是另一層運算，改一次文字就要重跑一次。

步驟六：匯出

可以只下載配音音軌（我常這樣做，拿回剪輯軟體對時間軸），也可以下載燒好的 MP4 或 SRT／VTT 字幕檔。

進階技巧

一、開工前先建翻譯字典。 把品牌名、產品名、講者名字、術語通通丟進 Glossary。我那個客戶的產品叫「艾草皂」，沒設字典時被翻成「ヨモギ石鹸」，設了才照他們日本官網的寫法走。這步省下的修改時間，遠多於建字典的那十分鐘。

二、用翻譯提示詞控語氣。 這是我覺得最被低估的功能。可以直接複製這段去改：

Translate into casual spoken Japanese suitable for a YouTube lifestyle channel.
Keep the brand name "XXXX" in Latin letters, do not translate it.
Use short sentences under 25 characters; avoid formal keigo except in the closing line.
Convert measurements to the metric phrasing a Japanese speaker would say aloud.

兩邊我都試過，英文提示詞的遵守度明顯好一點。

三、先出三十秒試片再燒整支。 分鐘數就是錢。剪一段有正臉、有專有名詞、有數字的三十秒片段先跑一輪，確認音色跟語氣再送整支。我自己懶得做這步，浪費過八分鐘額度。

四、外部先翻，再回丟 SRT。 品質要求高的案子，我會下載原文 SRT，丟給 ChatGPT 翻一版，人工修完再上傳回 Rask 生成語音。翻譯品質由你掌控，Rask 只負責發聲。多花二十分鐘，成品差一個檔次。

五、配音跟剪輯分開做。 它的編輯器是為了對時間軸而存在，不是為了做內容。拿到音軌之後回原本的剪輯流程處理字卡、片頭跟社群比例。

注意事項與常見坑

計費按影片分鐘數，而且每個語言各算一份。 一支十分鐘影片翻三個語言就是三十分鐘，這是最多人結帳後才發現的事。方案目前分免費試用三分鐘、Creator、Creator Pro、Business 與 Enterprise。以官網公布的數字，Creator 月繳 60 美元、年繳約每月 33 美元；Creator Pro 月繳 150 美元、年繳約每月 78 美元；Business 月繳 750 美元，超額每分鐘 3 美元。幣別是美元，官網還掛著價格即將調整的字樣，實際以結帳頁為準。

年繳跟月繳的額度算法不一樣。 年繳給全年總分鐘數，月繳是每月額度且通常不累積。一季集中做一批的年繳划算，每週穩定出片的月繳彈性好。

聲音跟肖像要拿到授權。 語音克隆用的是真人音色，要複製誰的聲音就要有那個人的書面同意。台灣民法上的人格權、個資法對聲紋這類生物特徵的認定，都不是能打模糊仗的區域。影片裡有員工、來賓、路人的，做多語版本前把授權範圍問清楚。

背景音樂的授權不會因為翻譯而消失。 原本只授權台灣地區使用的配樂，做成日文版丟去日本，還是同一個問題。

唇形同步不是萬靈丹。 訪談、演講這種正面單人鏡頭值得開；側臉、走動拍攝、多人同框開了嘴部會糊，那種情況我寧可只換聲音。

替代方案比一比

HeyGen — 手上沒有現成影片、只有文字稿的話，它的數位分身可以直接生一個人出來講，介面也比 Rask 好上手。適合行銷團隊快速產一堆短版素材。

ElevenLabs — 純語音派。Podcast、旁白、有聲書這種沒有對嘴需求的內容，成本更低、音質細節更好，API 也好接。缺點是影片端流程要自己組。

VEED.IO — 需求如果是多語字幕而不是多語配音，它的字幕語言涵蓋更廣，又能順手把影片剪完。配音語言數則比 Rask 少一截。

簡單分：要配音深度選 Rask，要生人出來講選 HeyGen，只要聲音選 ElevenLabs，要字幕加剪輯選 VEED。

TheAI學院 評語

Rask AI 把「配音在地化」這件事做到目前市面上最深的一層，但它按分鐘計價的邏輯，會逼你養成先校稿、再生成的紀律——這對成品品質其實是好事。

給台灣讀者的具體建議：別急著年繳。先用免費的三分鐘，拿自己的聲音跑一次中文轉日文，聽聽看音色像不像、語氣受不受得了。接著算清楚未來十二個月「真的」要出幾分鐘外語影片，乘以語言數再去對照方案。多數台灣中小品牌一年用不到三百分鐘，年繳的 Creator 就夠，跳到 Pro 通常是為了多講者唇形同步跟團隊協作，不是為了額度。

還有個很實際的做法：第一支先出字幕版丟到目標市場測水溫，數據有起色再回頭做配音版。翻譯是成本，市場驗證才是重點。

資料來源

• Rask AI 官方網站
• Rask AI 方案與價格頁