D-ID 推出视频翻译工具：自带声音克隆与嘴型同步，支持 30 种语言

还记得前几年在社交网络上刷屏的「让老照片开口说话」吗？那阵风潮背后的推手 D-ID，如今把目光投向了更实用的跨国视频传播场景。

AI 视频生成平台 D-ID 宣布推出全新的视频翻译工具 AI Video Translate。它不单单是把原视频的语音转成外语，还会克隆主讲人的声音，同时自动调整画面里人物的唇形，让说话动作和翻译出来的外语完全对上号。

这套功能背后依赖的是 D-ID 自研的专有模型 Rosetta-1。目前这项翻译能力已经集成到了 D-ID Studio 和 API 接口中，支持包括中文普通话、阿拉伯语、日语、印地语、西班牙语和法语在内的 30 种语言。平台还为用户提供了一个月的试用期。

5 分钟限制与单人出镜规则

想要用上这项工具，D-ID 也划出了一些具体的门槛。

视频长度必须在 10 秒到 5 分钟之间，文件体积不能超过 2GB。另外，画面中只能出现一个人，而且最好全程正脸面对镜头，面部不能被遮挡，才能保证唇形匹配的效果。

在价格方面，这项功能目前面向 D-ID 的付费订阅用户免费开放。D-ID 的订阅方案起步价为每年 56 美元，包含最基础的 AI 点数额度；更高级的版本可达每年 1293 美元，再往上则是针对大客户的企业定制价格。

这家初创公司在 2022 年就完成了 2500 万美元的 B 轮融资，当时的目标就是为了更好地服务正在快速增长的美国企业客户，帮他们在营销、娱乐和社交媒体传播中降低本地化成本。

扎堆的音视频本地化赛道

视频配音过去一直是个昂贵且门槛极高的活儿，但这两年正迅速被 AI 改造。比如 YouTube 之前推出的多语言音频功能，知名网红 MrBeast 就曾用它把多期热门视频分发成了 11 种语言。

不过，随着开源唇形同步库（例如 Wav2lip）的普及，入局这门生意的选手越来越多。微软今年宣布将支持在用户观看视频时实时进行 AI 翻译配音；Vimeo 也在 7 月上线了支持克隆声音的翻译工具。

此外，市面上还有 ElevenLabs、Descript、Speechify、Veed、Captions.ai、Camb.ai、Akool，以及主打数字人跨语言表达的 HeyGen 和 Deepbrain AI。D-ID 面临的是一个极度拥挤的竞争环境。

为什么重要

对于个人创作者和出海营销团队来说，翻译、克隆声音加对口型的一体化方案，确实大幅缩短了内容出海的周期。以前请专业译配团队费时费力，现在一个人就能把讲解类视频铺向多语种市场，订阅门槛也不算高。

但从产品限制来看，它目前还只适合讲台式的出海场景：5 分钟的时长上限、严格限定单人正脸面对镜头。这意味着访谈、情景剧、多人互动类内容基本无法使用，实用范围相对有限。

在行业层面，这类工具正在把「跨语言传播」变成基础标配功能，逼得各大平台加速将配音与唇形调整内化。不过，我们认为 D-ID 现在的处境谈不上高枕无忧。前面有像 ElevenLabs 这样在语音克隆上表现突出的选手，侧面有 HeyGen 这样深度把持跨语种数字人场景的劲敌，后方还有开源工具的追赶。自研 Rosetta-1 模型能否在唇形自然度和多语种情绪还原上拉开真正差距，才是它能否留住企业客户的关键。