Tutorial Rask AI: Tukar Video Bahasa Cina kepada Alih Suara Bahasa Jepun, Nota Lengkap dan Perangkap Selepas Ujian Sebenar Saya

Bulan lalu, saya membantu sebuah jenama sabun buatan tangan di Taichung menyusun saluran YouTube mereka. Terdapat lebih tiga puluh video berbahasa Cina, dan bos mahu meneroka pasaran Jepun, lalu bertanya kepada saya berapa kos untuk mengupah pelakon suara bagi merakam semula. Saya bertanya kepada dua syarikat pascaproduksi; satu minit produk siap berharga antara 2,500 hingga 4,000 NTD. Dengan 30 video berdurasi purata enam minit, jumlah kosnya bersamaan dengan harga sebuah motosikal. Saya masih ingat riksi muka bos saya petang itu.

Petang itu juga, saya terus membuka Rask AI untuk mencubanya. Hasilnya bukanlah seperti dongeng "menggantikan pelakon suara sepenuhnya", tetapi bajet berjaya dikurangkan kepada bawah sepuluh peratus. Rakan kongsi di Jepun menonton video sampel tersebut dan berkata, "Boleh dengar ini AI, tetapi ia masih boleh ditonton." Artikel ini menceritakan dengan jelas proses sebenar yang saya lalui, tetapan, serta beberapa perangkap yang menelan belanja besar.

Apakah Alat Ini?

Rask AI ialah platform untuk "penyetempatan video" yang ibu pejabatnya terletak di Eropah. Tugas utamanya adalah menukar video sedia ada anda kepada alih suara dalam bahasa lain. Perbezaannya berbanding perisian terjemahan biasa ialah ia bukan sekadar memberi anda sari kata (subtitle), tetapi menyediakan proses hujung ke hujung yang lengkap: transkripsi automatik, terjemahan, penjanaan suara bahasa sasaran menggunakan tona suara penutur asal, dan pilihan penyegerakan bibir (lip-sync).

Julat sokongan yang ditulis pada halaman rasmi ketika ini adalah menterjemah lebih 130 bahasa (sesetengah sub-halaman menulis 135 bahasa), manakala pengklonan suara (voice cloning) menyokong 32 bahasa. Bahasa Cina, Jepun, Korea, dan Inggeris—bahasa yang paling kerap digunakan oleh jenama Taiwan untuk menembusi pasaran global—semuanya ada di dalamnya. Angka rasmi kadangkala berubah, jadi sila rujuk halaman semasa rask.ai.

Secara terus terang, sasaran perkhidmatannya adalah sangat jelas: mereka yang sudah mempunyai pustaka video dan ingin membuka pasaran bahasa baharu pada kos rendah. YouTuber, pengajar kursus dalam talian, dan pemasar yang menghasilkan video tutorial produk adalah tiga golongan yang paling merasai manfaatnya.

Apa yang Ia Boleh Lakukan (dan Apa yang Ia Tidak Boleh Lakukan)

Bahagian yang boleh dilakukan: Alih suara pelbagai bahasa adalah terasnya, di mana satu video boleh ditugaskan kepada beberapa bahasa sekaligus. Pengklonan suara akan menangkap tona penutur asal; terjemahan suara saya sendiri ke bahasa Jepun mencapai kira-kira 75% ketepatan, intonasinya agak mendatar tetapi tidaklah seperti robot. Pengecaman pelbagai penutur (multi-speaker) boleh mengenali dua atau tiga orang dalam video perbualan dan menghasilkan tona suara masing-masing. Penyegerakan bibir (lip-sync) adalah lapisan pengiraan yang lain, di mana kesan terbaik diperoleh pada rakaman jarak dekat menghadap depan (close-up). Sari kata boleh dimuat turun dalam format SRT, VTT, atau anda boleh memuat naik SRT yang telah disunting sendiri untuk menggantikan terjemahannya. Selain itu, terdapat kamus terjemahan (translation dictionary) dan prompt terjemahan—dua elemen ini adalah garis pemisah bagi pengguna profesional. Untuk volum yang besar, terdapat API untuk pemprosesan kelompok (batch processing).

Bahagian yang tidak boleh dilakukan perlu dijelaskan dengan jelas kerana di sinilah harapan paling mudah musnah. Ia bukan perisian suntingan video; peralihan (transitions), kad teks (text cards), B-roll, dan kulit muka depan (thumbnails) tidak boleh dilakukan di sini. Saya biasanya menghantar audio yang telah dialih suara ke VEED.IO untuk kemasan akhir. Ia tidak boleh menyelamatkan rakaman audio yang teruk. Jika fail audio asal mempunyai gema atau hingar persekitaran yang menenggelamkan suara manusia, transkripsi akan menjadi salah, dan transkripsi yang salah diterjemahkan akan menghasilkan bencana. Ia tidak menjamin ketepatan istilah khusus (proper nouns). Ia juga bukan penterjemahan strim langsung masa nyata (real-time live translation), sebaliknya pemprosesan kelompok luar talian (offline batch processing).

Satu lagi perkara: kesan terjemahan dari bahasa Cina keluar adalah lebih teruk berbanding dari bahasa Inggeris keluar. Pemotongan frasa, aksara yang mempunyai sebutan berbilang, dan cara pembacaan nombor sememangnya sukar. Saya pernah mengalami kes di mana "32 gram" dibaca menjadi pelik, dan perkataan dialek Hokkien diterjemahkan secara paksa. Dialek Hokkien buat masa ini tidak disokong secara rasmi.

Cara Penggunaan: Langkah Demi Langkah

Langkah Sifar: Sediakan Bahan (Lima hingga Sepuluh Minit)

Ramai orang melangkau langkah ini dan akhirnya terpaksa mengulanginya. Eksport versi 1080p dengan suara manusia yang jelas. Jika muzik latar belakang menenggelamkan suara manusia, rendahkan volumenya terlebih dahulu atau buang terus. Jika anda mempunyai trek suara manusia asli tanpa muzik latar, gunakan itu. Mula-mula, pilih satu video berdurasi tiga hingga lima minit untuk menguji tahap air, jangan terus mencampakkan ceramah berdurasi 30 minit pada permulaan.

Langkah Pertama: Buat Projek Baharu (Lebih Kurang Satu Minit)

Selepas log masuk, klik "Add Project" di penjuru kanan atas Papan Pemuka (Dashboard), seret fail masuk atau tampal pautan YouTube. Seterusnya, tetapkan tiga perkara: Bahasa Sumber (pilih secara manual sebagai bahasa Cina, jangan biarkan ia mengesan secara automatik kerana campuran Cina-Inggeris sering salah teka), Bahasa Sasaran (boleh pilih banyak tetapi dibilkan secara berasingan, tandakan satu dahulu buat masa ini), dan Bilangan Penutur. Jika anda mahukan pengklonan suara, pastikan suis pengklonan suara dihidupkan, jika tidak, ia akan memberi anda suara sintetik lalai.

Langkah Kedua: Tunggu Ia Beroperasi (Video Tiga Minit Mengambil Masa Lima hingga Lima Belas Minit)

Masa menunggu bergantung kepada sama ada pelayan sibuk atau tidak; waktu siang di Eropah adalah lebih perlahan. Anda akan menerima pemberitahuan emel apabila selesai, jadi anda boleh menyertai urusan lain dahulu.

Langkah Ketiga: Semak Semula Transkripsi dan Terjemahan (Bahagian yang Sebenarnya Memakan Masa)

Selepas masuk ke editor, di sebelah kiri adalah blok sari kata demi blok sari kata, dan di sebelah kanan adalah pemain (player). Teks asal dan terjemahan boleh diubah terus. Tabiat saya adalah mengimbas teks asal bahasa Cina dari awal hingga akhir untuk membetulkan perkataan yang tersilap dengar, kemudian barulah melihat terjemahan. Untuk video sepuluh minit, langkah ini mengambil masa kira-kira 30 hingga 40 minit.

Selepas mengubah teks, anda mesti klik butang jana semula (regenerate) untuk blok audio tersebut supaya ia dikemas kini. Ramai pengguna kali pertama terlepas pandang langkah ini, menyebabkan fail yang dieksport masih menggunakan suara lama.

Langkah Keempat: Tangani Blok yang Melebihi Tempoh Masa

Apabila menterjemah dari bahasa Cina ke bahasa Jepun, bilangan aksara sering berkembang lebih daripada 30%. Akibatnya, terjemahan tidak sempat dihabiskan lalu terpotong, atau kelajuan pertuturan ditekan sehingga tidak jelas didengar. Editor membenarkan pelarasan tempoh masa satu blok, dan juga membenarkan blok tertentu melebihi garis masa asal. Pendekatan saya adalah kembali memendekkan teks terjemahan, yang biasanya kelihatan lebih natural daripada memaksa pelarasan garis masa.

Langkah Kelima: Penyegerakan Bibir / Lip-sync (Pilihan, Memerlukan Satu Lagi Pusingan Pemprosesan)

Hanya hidupkan lip-sync selepas alih suara dimuktamadkan. Ia adalah lapisan pengiraan yang lain, dan setiap kali teks diubah, ia perlu diproses semula.

Langkah Keenam: Eksport

Anda boleh memuat turun trek audio alih suara sahaja (saya kerap melakukan ini untuk membawanya kembali ke perisian suntingan bagi menyelaraskan garis masa), atau memuat turun fail MP4 yang telah digabungkan dengan video bersama fail sari kata SRT/VTT.

Tip Lanjutan

1. Bina kamus terjemahan sebelum memulakan kerja. Masukkan nama jenama, nama produk, nama penutur, dan istilah khusus ke dalam Kamus (Glossary). Produk pelanggan saya dipanggil "Sabun Wormwood" (艾草皂); apabila tiada kamus ditetapkan, ia diterjemahkan sebagai "ヨモギ石鹸", tetapi selepas ditetapkan, ia mengikut ejaan laman web rasmi Jepun mereka. Masa penyuntingan yang dijimatkan oleh langkah ini jauh lebih banyak daripada sepuluh minit masa yang diambil untuk membina kamus tersebut.

2. Gunakan prompt terjemahan untuk mengawal tona. Ini adalah fungsi yang saya rasa paling dipandang rendah. Anda boleh menyalin terus perenggan ini untuk diubah:

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.

Saya telah mencuba kedua-dua cara, dan tahap pematuhan prompt Bahasa Inggeris adalah jelas lebih baik.

3. Hasilkan klip percubaan 30 saat dahulu sebelum memproses keseluruhan video. Bilangan minit bersamaan dengan wang. Potong klip 30 saat yang mempunyai muka hadapan, istilah khusus, dan nombor untuk dijalankan sekali dahulu. Sahkan tona suara dan gaya bahasa sebelum menghantar keseluruhan video. Saya sendiri terlalu malas untuk melakukan langkah ini pada mulanya dan membazirkan kuota selama lapan minit.

4. Terjemah secara luaran dahulu, kemudian muat naik semula fail SRT. Untuk kes yang memerlukan kualiti tinggi, saya akan memuat turun SRT asal, menghantarnya kepada ChatGPT untuk diterjemahkan, menyuntingnya secara manual, dan kemudian memuat naiknya semula ke Rask untuk menghasilkan suara. Kualiti terjemahan dikawal oleh anda, manakala Rask hanya bertanggungjawab mengeluarkan suara. Luangkan masa tambahan 20 minit, dan produk siap akan berada pada tahap kualiti yang berbeza.

5. Asingkan proses alih suara dan suntingan. Editornya wujud untuk menyelaras garis masa, bukan untuk menghasilkan kandungan. Selepas mendapatkan trek audio, kembali ke aliran kerja suntingan asal anda untuk menangani kad teks, intro, dan nisbah media sosial.

Langkah Perhatian dan Perangkap Biasa

Pengbilan dikira mengikut minit video, dan setiap bahasa dikira secara berasingan. Video sepuluh minit yang diterjemahkan ke dalam tiga bahasa bersamaan dengan 30 minit. Inilah perkara yang paling ramai orang sedari selepas membuat pembayaran. Pelan semasa dibahagikan kepada percubaan percuma 3 minit, Creator, Creator Pro, Business, dan Enterprise. Berdasarkan angka yang diumumkan di laman web rasmi, pelan Creator berharga $60 sebulan, atau kira-kira $33 sebulan untuk langganan tahunan; Creator Pro berharga $150 sebulan, atau kira-kira $78 sebulan untuk langganan tahunan; Business berharga $750 sebulan, dengan caj $3 setiap minit untuk lebihan kuota. Mata wang adalah dalam USD, dan laman web rasmi masih memaparkan tanda harga akan diselaraskan tidak lama lagi, jadi sila rujuk halaman pembayaran untuk harga sebenar.

Pengiraan kuota untuk langganan tahunan dan bulanan adalah berbeza. Langganan tahunan memberikan jumlah minit tahunan penuh, manakala langganan bulanan adalah kuota bulanan dan biasanya tidak boleh dibawa ke bulan hadapan. Langganan tahunan lebih berbaloi jika anda menumpukan pengeluaran secara berkelompok setiap suku tahun, manakala langganan bulanan menawarkan fleksibiliti yang lebih baik jika anda menerbitkan video secara konsisten setiap minggu.

Suara dan imej mesti dilesenkan. Pengklonan suara menggunakan tona suara orang sebenar, jadi untuk meniru suara sesiapa, anda mesti mempunyai kebenaran bertulis daripada individu tersebut. Hak personaliti di bawah undang-undang sivil Taiwan dan pengiktirafan undang-undang perlindungan data peribadi terhadap ciri biometrik seperti cetakan suara bukanlah kawasan di mana anda boleh bermain dwi-makna. Jika terdapat pekerja, tetamu, atau orang awam dalam video tersebut, pastikan anda jelas tentang skop kebenaran sebelum membuat versi berbilang bahasa.

Kebenaran muzik latar belakang tidak akan hilang hanya kerana ia diterjemahkan. Muzik latar yang asalnya hanya dilesenkan untuk digunakan di rantau Taiwan, apabila dijadikan versi Jepun dan dimuat naik ke Jepun, masih merupakan isu undang-undang yang sama.

Penyegerakan bibir (lip-sync) bukanlah penawar mujarab. Temu bual, ceramah, dan rakaman bingkai tunggal menghadap depan adalah berbaloi untuk dihidupkan; muka sisi, rakaman berjalan, dan pelbagai orang dalam satu bingkai akan menyebabkan bahagian mulut menjadi kabur apabila dihidupkan. Dalam kes sedemikian, saya lebih rela menukar suara sahaja.

Perbandingan Alternatif

HeyGen — Jika anda tiada video sedia ada dan hanya mempunyai draf teks, avatar digital mereka boleh menghasilkan seseorang untuk bercakap secara terus, dan antara mukanya juga lebih mudah dikuasai berbanding Rask. Sesuai untuk pasukan pemasaran menghasilkan pelbagai bahan versi pendek dengan cepat.

ElevenLabs — Kumpulan audio tulen. Kandungan seperti Podcast, suara latar (voiceover), dan buku audio yang tidak memerlukan keperluan padanan bibir mempunyai kos yang lebih rendah, perincian kualiti suara yang lebih baik, dan API yang mudah diintegrasikan. Kelemahannya ialah anda perlu menyusun sendiri aliran kerja pada sisi video.

VEED.IO — Jika keperluan anda adalah sari kata pelbagai bahasa dan bukannya alih suara pelbagai bahasa, liputan bahasa sari ratanya adalah lebih luas, dan anda boleh menyelesaikan penyuntingan video sekali gus. Walau bagaimanapun, bilangan bahasa alih suara adalah jauh lebih sedikit berbanding Rask.

Pembahagian mudah: Pilih Rask jika anda mahukan kedalaman alih suara, pilih HeyGen jika anda mahu menjana orang sebenar bercakap, pilih ElevenLabs jika anda hanya mahukan suara, dan pilih VEED jika anda mahukan sari kata berserta suntingan.

Ulasan Akademi TheAI

Rask AI telah membawa fungsi "penyetempatan alih suara" ke tahap paling mendalam di pasaran setakat ini, tetapi logik pengecaman mengikut minit akan memaksa anda membina disiplin menyemak draf dahulu sebelum menjana—yang mana sebenarnya adalah satu kebaikan untuk kualiti produk siap.

Cadangan khusus untuk pembaca: Jangan tergesa-gesa melanggan tahunan. Gunakan percubaan percuma selama 3 minit terlebih dahulu, jalankan penukaran bahasa Cina ke Jepun menggunakan suara anda sendiri, dengar sama ada tona suaranya serupa dan sama ada gaya bahasa itu boleh diterima. Seterusnya, kira dengan teliti berapa minit video bahasa asing yang "benar-benar" ingin anda keluarkan dalam tempoh 12 bulan akan datang, darabkan dengan bilangan bahasa, kemudian barulah buat perbandingan dengan pelan yang ada. Kebanyakan jenama PKS tidak menggunakan 300 minit setahun, jadi pelan tahunan Creator sudah mencukupi. Melompat ke pelan Pro biasanya adalah untuk penyegerakan bibir pelbagai penutur dan kerjasama pasukan, bukannya semata-mata untuk kuota minit.

Terdapat juga pendekatan yang sangat praktikal: Keluarkan versi sari kata untuk video pertama dan muat naik ke pasaran sasaran untuk menguji tahap sambutan. Apabila data menunjukkan peningkatan yang baik, barulah kembali untuk menghasilkan versi alih suara. Terjemahan adalah kos, manakala pengesahan pasaran adalah keutamaan.

Sumber Rujukan

• Laman Web Rasmi Rask AI
• Halaman Pelan dan Harga Rask AI