Rask AI 教学：把一支中文影片翻成日文配音，我实测的完整流程与踩雷笔记

上个月我帮台中一家做手工皂的品牌整理 YouTube 频道。三十几支中文影片，老板想推日本市场，问我找配音员重录要多少钱。我问了两家后制，一分钟成品两千五到四千台币，三十支、平均六分钟，算下来是一台机车的钱。老板的表情我到现在还记得。

那天下午我就把 Rask AI 开起来试。结果不是「完全取代配音员」那种童话，但预算压到十分之一以下，日本那边的合作伙伴看完样片说「听得出是 AI，但看得下去」。这篇把我实际跑过的流程、设定，还有几个很花钱的坑写清楚。

这是什么工具

Rask AI 是一个做「影片在地化」的平台，总部在欧洲，主力就是把你既有的影片换成另一种语言的配音。它跟一般翻译软体不一样的地方在于，它不是只给你字幕，而是走完整条龙：自动听打逐字稿、翻译、用你原本讲者的声线生成目标语言的语音、再选配唇形同步。

官方页面目前写的支援范围是翻译 130 种以上语言（有些子页面写 135），语音克隆则是 32 种语言。中文、日文、韩文、英文这些台湾品牌最常出海的语言都在里面。数字官方偶尔会调，以 rask.ai 当下页面为准。

说穿了，它服务的对象很明确：手上已经有影片库、想低成本开新语言市场的人。YouTuber、线上课程讲师、做产品教学影片的行销，这三种人用它最有感。

它能做什么（与不能做什么）

能做的部分：多语配音是核心，一支影片可以同时派好几个语言的工作。语音克隆会抓原讲者音色，我自己的声音翻成日文，像度我给七成五，语调偏平但不到机器人。多讲者辨识认得出对谈影片里的两三个人并各自配声线。唇形同步是另一层运算，正脸近景效果最好。字幕可以下载 SRT、VTT，也能上传自己校好的 SRT 盖掉它的翻译。另外还有翻译字典跟翻译提示词，这两个是专业用户的分水岭。量大有 API 可以批次跑。

不能做的部分要讲清楚，这里最容易期待落空。它不是影片剪辑软体，转场、字卡、B-roll、封面都做不了，我通常配音出来再丢 VEED.IO 收尾。它救不了烂收音，原始音档有回音、环境噪音盖过人声，听打就会错，错的逐字稿翻出来是灾难。它不保证专有名词正确。它也不是即时直播翻译，是离线批次处理。

还有一点，中文转出去的效果比英文转出去差一些。断句、破音字、数字读法本来就难，我遇过「三十二克」被读成怪腔，也遇过台语词被硬翻。台语目前没有正式支援。

怎么用：步骤拆解

步骤零：整理素材（五到十分钟）

这步很多人跳过然后回头重做。输出 1080p、人声清楚的版本，背景音乐如果压过人声先降下来或拿掉，有原始无配乐人声轨就用那个。先挑一支三到五分钟的来试水温，不要一开始就丢三十分钟的讲座。

步骤一：建立专案（约一分钟）

登入后在 Dashboard 右上角按新增专案，把档案拖进去或贴 YouTube 网址。接着设定三件事：来源语言（手动指定成中文，别让它自动侦测，中英夹杂常猜错）、目标语言（可复选但各自计费，先只勾一个）、讲者数量。要语音克隆的话，记得把 voice cloning 开关打开，不然会给你预设的合成声。

步骤二：等它跑（三分钟影片大概五到十五分钟）

等待时间看伺服器忙不忙，欧洲白天时段比较慢。跑完会寄信通知，可以先去忙别的。

步骤三：校对逐字稿与翻译（真正花时间的地方）

进编辑器后，左边是一段一段的字幕区块，右边是播放器，原文跟译文都能直接改。我的习惯是先把中文原文从头扫一遍修掉听错的字，再看译文。一支十分钟的影片，这步大概花三十到四十分钟。

改完文字之后，那段的语音要按重新生成才会更新。很多人第一次用会漏掉，结果汇出来还是旧的声音。

步骤四：处理长度爆掉的段落

中文翻日文，字数常膨胀三成以上，于是译文讲不完被切掉，或语速被压到听不清。编辑器可以调整单段时间长度，也可以允许某段超出原时间轴。我的做法是回头把译文改短，通常比硬拉时间轴自然。

步骤五：唇形同步（选配，要再等一轮）

配音定稿之后才开 lip-sync，它是另一层运算，改一次文字就要重跑一次。

步骤六：汇出

可以只下载配音音轨（我常这样做，拿回剪辑软体对时间轴），也可以下载烧好的 MP4 或 SRT／VTT 字幕档。

进阶技巧

一、开工前先建翻译字典。 把品牌名、产品名、讲者名字、术语通通丢进 Glossary。我那个客户的产品叫「艾草皂」，没设字典时被翻成「ヨモギ石鹸」，设了才照他们日本官网的写法走。这步省下的修改时间，远多于建字典的那十分钟。

二、用翻译提示词控语气。 这是我觉得最被低估的功能。可以直接复制这段去改：

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.

两边我都试过，英文提示词的遵守度明显好一点。

三、先出三十秒试片再烧整支。 分钟数就是钱。剪一段有正脸、有专有名词、有数字的三十秒片段先跑一轮，确认音色跟语气再送整支。我自己懒得做这步，浪费过八分钟额度。

四、外部先翻，再回丢 SRT。 品质要求高的案子，我会下载原文 SRT，丢给 ChatGPT 翻一版，人工修完再上传回 Rask 生成语音。翻译品质由你掌控，Rask 只负责发声。多花二十分钟，成品差一个档次。

五、配音跟剪辑分开做。 它的编辑器是为了对时间轴而存在，不是为了做内容。拿到音轨之后回原本的剪辑流程处理字卡、片头跟社群比例。

注意事项与常见坑

计费按影片分钟数，而且每个语言各算一份。 一支十分钟影片翻三个语言就是三十分钟，这是最多人结帐后才发现的事。方案目前分免费试用三分钟、Creator、Creator Pro、Business 与 Enterprise。以官网公布的数字，Creator 月缴 60 美元、年缴约每月 33 美元；Creator Pro 月缴 150 美元、年缴约每月 78 美元；Business 月缴 750 美元，超额每分钟 3 美元。币别是美元，官网还挂着价格即将调整的字样，实际以结帐页为准。

年缴跟月缴的额度算法不一样。 年缴给全年总分钟数，月缴是每月额度且通常不累积。一季集中做一批的年缴划算，每周稳定出片的月缴弹性好。

声音跟肖像要拿到授权。 语音克隆用的是真人音色，要复制谁的声音就要有那个人的书面同意。台湾民法上的人格权、个资法对声纹这类生物特征的认定，都不是能打模糊仗的区域。影片里有员工、来宾、路人的，做多语版本前把授权范围问清楚。

背景音乐的授权不会因为翻译而消失。 原本只授权台湾地区使用的配乐，做成日文版丢去日本，还是同一个问题。

唇形同步不是万灵丹。 访谈、演讲这种正面单人镜头值得开；侧脸、走动拍摄、多人同框开了嘴部会糊，那种情况我宁可只换声音。

替代方案比一比

HeyGen — 手上没有现成影片、只有文字稿的话，它的数位分身可以直接生一个人出来讲，介面也比 Rask 好上手。适合行销团队快速产一堆短版素材。

ElevenLabs — 纯语音派。Podcast、旁白、有声书这种没有对嘴需求的内容，成本更低、音质细节更好，API 也好接。缺点是影片端流程要自己组。

VEED.IO — 需求如果是多语字幕而不是多语配音，它的字幕语言涵盖更广，又能顺手把影片剪完。配音语言数则比 Rask 少一截。

简单分：要配音深度选 Rask，要生人出来讲选 HeyGen，只要声音选 ElevenLabs，要字幕加剪辑选 VEED。

TheAI学院 评语

Rask AI 把「配音在地化」这件事做到目前市面上最深的一层，但它按分钟计价的逻辑，会逼你养成先校稿、再生成的纪律——这对成品品质其实是好事。

给台湾读者的具体建议：别急着年缴。先用免费的三分钟，拿自己的声音跑一次中文转日文，听听看音色像不像、语气受不受得了。接着算清楚未来十二个月「真的」要出几分钟外语影片，乘以语言数再去对照方案。多数台湾中小品牌一年用不到三百分钟，年缴的 Creator 就够，跳到 Pro 通常是为了多讲者唇形同步跟团队协作，不是为了额度。

还有个很实际的做法：第一支先出字幕版丢到目标市场测水温，数据有起色再回头做配音版。翻译是成本，市场验证才是重点。

资料来源

• Rask AI 官方网站
• Rask AI 方案与价格页