实时配音为什么总慢几秒

实时配音开上一分钟，多数人会问同一件事：声音为什么落后？字幕贴着说话人，译文语音却晚几秒才到。

原因就两条，都不是电脑慢。声音必须先听见一句话，才能说出来。译完的句子，通常比原文更长。前者是下限，压不下去；后者决定这几秒会不会越积越多。

得先听见，才能开口

没听完的句子，谁也翻不了。人工口译也是这条规矩。口译研究把听到和开口之间的距离叫耳语时距，2025 年的一篇综述里，职业同传的平均值大约两到五秒。那是在口译箱里听一个人讲、练了好多年的人。

有些语言会把等待拉长：真正把意思钉住的词，排在句尾。德语很多句子把主要动词放到最后。日语、韩语更干脆，谓语默认在句末——对中文读者来说并不陌生。

配音为什么必须等德语 → 中文

目前听到的这时候中文能说什么

德语经常把动词——这里还有那个「不」——留到句尾。最后一个词到来之前，中文没法有把握地开口。提前翻译只能猜，而这个猜是错的。

所以语音会等到一个意群够完整、说得出口，再翻译、再开口。前面有自然停顿，就不会硬等到一句很长的话全部说完。但意思还没出来之前，它开不了口。猜错，比稍晚更糟。

字幕能抢先一步。句子一译完，字幕就可以出现；声音还得按你跟得上的速度念出来。需要尽量贴着说话人时，先看字幕，让声音把其余部分托住。

第二条更容易被忽略。译出来的句子，通常比原文长。英语译成西班牙语、法语、意大利语、葡萄牙语，都会变长。说话人句与句之间有停顿，译文语音往往没有。

按自然语速，上一句还没念完，说话人已经进到下一句。下一句已经译好、在排队。每一句都比上一句更晚开口，一堂课听下来，差距就往外长。

这个差距会怎么走

示意图，不按比例。译出来的句子说完要比原文久，所以按自然语速，每一句都会比上一句更晚开口。自动追赶会在落后时加快配音，把差距稳住——除非对方说得很快，而译文又偏长。

真正要做的选择在这里。哪边都要付出代价。

现场译文语音可以贴着说话人、用自然语速、每一句都说。译文一旦变长，三件事做不齐。

人工口译常常走第三行：概括、丢掉不关键的。同一篇综述也写过，口译研究更宁可做这种取舍，也不要把语速拉得过快。那是人在当场做的判断，而且听得懂这场话。

我们不让软件替你做这个判断。讲座或网课里，听起来可以跳过的那句，有时正是你要用的。所以两种设置下，DubTab 都会把每一句译文说完。你选的是声音快一点，还是再晚一点。

就在你正在看的内容上试

配音和字幕用你的语言，对着正在播的视频或直播。15 分钟试用，不用绑卡。

自动追赶只在译文语音已经落后时，才加快它。第一句按自然语速播放，追上之后会收回来。视频和原声从不会被加快，始终正常速度。

听不听得到加快，取决于你配成哪一种语言。配成英语时，它相对清闲。配成译文偏长的语言——西班牙语最明显——声音会有很大一部分时间在加快。这个你听得出来。我们宁可写在这里，也不想让你自己撞上。

有时这样还不够。对方说得快，译文又长，连加快的声音也会被甩开。差距会再往外长，只是慢一些；说话人一停，又会缩回来。就是上面那张图的最下一行。

碰到这种情况：

实时配音做不到零延迟。口型和画面咬得很齐的那条音轨，是拿整段成片事先做出来的，类似视频上传后 YouTube 可以生成的那条配音。那是另一件事，我们写过差别。官方配音如果已经有你的语言，用官方的。

其余的——直播、网课、会议——都得先听见。我们能管的是听见之后：不让几秒拖成一分钟，稳不住的时候把话说清楚，也绝不替你决定哪句是你不需要的。