你在影片裡說「這家好雷」，英文版的你會怎麼說？

如果配成「This place so thunder」，外國觀眾：

YouTube 的說明頁寫道：自動配音可能翻不好專有名詞、慣用語和專業術語。

外語聲音

2024 年 12 月，YouTube 先讓數十萬個以知識、教學為主的頻道用上自動配音；2026 年 2 月官方部落格說，已經開放給所有人，支援 27 種語言。創作者照常上傳，系統自動做出其他語言的音軌，等於在同一支影片裡多掛幾條外語聲音，觀眾自己切換要聽原音還是配音版，影片說明也會標示「自動配音」。目前的說明頁上，繁體中文（台灣）的影片可以配成英文。

聽的人有多少？同一篇部落格說，2025 年 12 月，平均每天有超過 600 萬名觀眾看自動配音的內容至少 10 分鐘，天天在聽 AI 替創作者講另一種語言。（一覺醒來多了一群聽得懂你的外國粉絲）

一句話的三棒接力

YouTube 沒有公開完整架構，不過這類自動配音通常是三棒接力。

第一棒負責聽寫，也就是語音辨識：把你說的話寫成文字。它聽的是聲音，猜最可能是哪些字，所以「很雷」和「很累」很像，就算聽出「很雷」，也要能理解成「很雷」。

第二棒負責翻譯：把中文字翻成英文字。它拿到的只有第一棒寫下的字，聽不到你的語氣，也看不到你皺眉的表情；碰到「很雷」，如果照字面翻，就會冒出 thunder。

第三棒是這篇的主角，語音合成（Text-to-Speech，TTS）：讀進一串文字，生成一段聽起來像人在講話的聲音。

念出來比想像中還難

聽起來只是「照著念」，但它開口前得先搞懂要念什麼。文字裡有不少寫法和念法不一樣的東西：「3/4」是三月四日還是四分之三？地址裡的「Dr.」是 doctor 還是 drive？

要決定怎麼念更難！韻律（Prosody）也就是一句話的停頓、輕重和語調。同樣一個「Really」，尾音往上揚是「真的假的？」，往下壓是「真的！」字一樣，意思差很多。

最後才是發出聲音。

YouTube 在 8 種語言加了「生動語音」，試著重現原說話者的音高和語調，讓配音版還帶著你原本的情緒；也在試驗調整畫面裡說話者的嘴型，跟配音對上。不過目前繁中配英文不在生動語音的名單上，對嘴也只開放部分頻道搶先體驗。

還有一個時間上的難題：有些句子在中文短、翻去日文就會變長，那配音就得加速，日本人就會覺得你很急？

第一棒聽錯，步步錯

接力的麻煩是：每一棒只拿得到前一棒交來的東西。

背景很吵、口音比較重，第一棒把「很雷」聽成「很累」，第二棒就很認真地翻成「I'm so tired」，第三棒再自然流暢地念出來。每一棒都覺得自己很棒，而且第三棒念得越好，錯誤越不容易被發現。卡卡的機器音，觀眾還有機會對 AI 起疑；但現在念得太像真人了，不看設定可能都不會察覺到是 AI 口播。

延伸討論

你看過 YouTube AI 配音的影片嗎？

來源（查證日 2026/11/08）：

• 使用自動配音功能（YouTube 說明）（在新分頁開啟）
• Unlocking a global audience with auto dubbing（YouTube Official Blog）（在新分頁開啟）・2026/02/04
• 什麼是文字轉換語音？（Microsoft Learn）（在新分頁開啟）

文／上哲（ChatGPT 協力）