La localisation vidéo traditionnelle souffre de voix robotiques et désincarnées. ElevenLabs Dubbing V2 résout ce problème en traduisant directement d'oreille à oreille, sans passer par la transcription textuelle. Les marques préservent ainsi l'émotion, le ton et le rythme d'origine, divisant par dix leurs délais de mise sur le marché international. L'année 2026 accélère le passage d'une traduction vocale essentiellement textuelle à des modèles capables d'exploiter plus directement la performance sonore originale. Les workflows basés sur le triptyque « Transcription (ASR) - Traduction machine (NMT) - Synthèse vocale (TTS) » peuvent produire des résultats corrects, mais peinent parfois à reconstruire le rythme, les hésitations, les accents d'intensité ou les émotions à partir du texte seul. Le lancement du modèle Dubbing v2 d'ElevenLabs à la fin du mois de mai 2026 change cette approche. Le modèle se conditionne sur l'enregistrement original afin de transférer davantage d'éléments liés au ton, au rythme, à l'intonation et à l'intention émotionnelle. Sa traduction dite sync-aware adapte également la formulation et la durée des segments pour aligner leurs débuts, leurs fins et leur cadence avec le contenu source. Cette fonction ne doit toutefois pas être confondue avec une modification visuelle des mouvements des lèvres. Cette transformation peut aussi valoriser des narrations professionnelles produites en amont, comme la voix IA professionnelle française de Charles Pestel . Celle-ci peut servir à créer la piste vocale source d'une vidéo dans ElevenCreative, avant que Dubbing v2 ne localise ensuite cette performance dans différentes langues en clonant automatiquement la voix présente dans le média. Le passage d'une génération fondée sur la seule transcription à un modèle qui écoute aussi la performance originale marque un tournant dans notre rapport à la traduction. En exploitant le ton, le souffle, le rythme et les hésitations, ElevenLabs rappelle que le sens d'un discours ne réside jamais uniquement dans la succession des mots. Cette évolution ne signifie cependant pas que le texte disparaît nécessairement de toute la chaîne de localisation. Elle indique surtout que la génération vocale n'est plus reconstruite à partir d'informations textuelles isolées de leur contexte sonore. Ce progrès améliore la continuité émotionnelle, mais réduit aussi le contrôle éditorial lorsque le script traduit ne peut pas être relu ou corrigé dans Dubbing v2. Le véritable enjeu ne sera donc pas seulement de traduire plus vite, mais d'organiser une validation humaine proportionnée aux risques du contenu, à sa terminologie et à son audience.