Das Synchronisieren von Filmen besteht darin, aus Drehbüchern, die durch Videoszenen konditioniert sind, Sprache zu synthetisieren. Dabei sind eine präzise Synchronisation der Lippenbewegungen (Lip Sync), eine treue Übertragung der Stimmlage (Timbre Transfer) sowie eine angemessene Modellierung der Charakteridentität und der Emotionen erforderlich. Bestehende Methoden stoßen jedoch auf zwei wesentliche Einschränkungen: (1) Hochwertige multimodale Datensätze für die Synchronisation sind in ihrem Umfang begrenzt, weisen hohe Word Error Rates auf, enthalten nur spärliche Annotationen, sind auf kostspielige manuelle Kennzeichnung angewiesen und beschränken sich auf Monologszenen; all dies behindert ein effektives Training von Modellen. (2) Vorhandene Synchronisationsmodelle stützen sich ausschließlich auf die Lippenregion, um die audiovisuelle Ausrichtung zu erlernen, was ihre Anwendbarkeit auf komplexe Szenen aus Live-Action-Filmen einschränkt und zu suboptimalen Ergebnissen bei Lip Sync, Sprachqualität und emotionaler Ausdruckskraft führt. Um diese Probleme zu adressieren, stellen wir FunCineForge vor, das eine End-to-End-Produktionspipeline für groß angelegte Synchronisationsdatensätze sowie ein auf MLLM basierendes Synchronisationsmodell für diverse Filmszenen umfasst. Mithilfe der Pipeline konstruieren wir den ersten chinesischen Datensatz für Fernseh-Synchronisation mit umfangreichen Annotationen und belegen die hohe Qualität dieser Daten. Experimente in Monolog-, Erzähl-, Dialog- und Mehrsprecher-Szenen zeigen, dass unser Synchronisationsmodell SOTA-Methoden in Bezug auf Audioqualität, Lip Sync, Timbre Transfer und Instruction Following konsistent übertrifft.