20260902 影片筆記

影片介紹了一款名為「Sokuji」的開源、免費、跨平台（Win/Mac/Linux）同聲傳譯工具，支援本地部署與 WebGPU 加速，無需 GPU 亦可運行，並演示了從模型下載、參數設置到實時中英互譯的全流程。

講者小莫頭演示如何使用 OpenAI 於 5 月 7 日發布的 GPT Real-Time Translate 模型，通過編寫名為 Bubblefish 的 Chrome 插件，實現對瀏覽器標籤頁內音頻的實時監聽與端到端語音翻譯，並分析了其技術原理、成本及限制。

影片介紹了 Google 發布的新一代語音轉文字模型 Gemini 3.5 Transcribe，強調其具備智慧語意理解、自動去除填充音、支援 85 種語言自動偵測及多發言者區分等功能。透過 Google AI Studio 的「Share Audio from Tab」功能，用戶可免費實時將瀏覽器標籤頁（如 YouTube、Bilibili）的音訊轉錄並翻...

Google 發布全新音訊辨識模型「Gemini 3.5 Transcribe」，主打市場最高性能，具備智能修正自我糾錯、即時串流、多語言識別及精確說話者標籤等核心功能，並透過 Google AI Studio 進行演示與操作教學。

影片探討阿里雲開發的 Qwen 3.8 系列模型，講者指出該系列發布後資訊混亂，區分為雲端 API 版與本地開源版；其中 Qwen 3.8 27B 被推薦為適合本地運行的版本，具備多模態與思考模式，但整體用戶評價兩極，存在穩定性與效能落差，且本地模型在深度對話能力上仍無法與頂級雲端模型（如 ChatGPT、Claude）相比。

本影片演示如何在本地電腦部署「千問 3.827B」大模型，透過「Lama.CPP」轉為 OpenAI 兼容 API，並由「Deepseek Harness」調用，實現純本地、零費用、隱私保護的自動化任務（如文件整理），驗證了本地模型在常駐後台與高頻任務上的優勢。

本影片測試了由 MOS 團隊出品的 MOSS 0.9B ASR 模型（筆記中亦提及 MOS Transcribe Diarize），通過單人會議、多人會議及遊戲錄屏三個場景，驗證了該小參數量模型在多說話人分離（Diarize）與語音轉文字（ASR）任務上的表現，結論認為其整體表現優異，雖有專業名詞識別瑕疵，但瑕不掩瑜。

影片介紹了一套利用 WhisperJAV（或 Whisperger）配合 Subtitle Edit 進行日語電影字幕生成的自動化工作流，通過 Large VR 模型 與 雙通道模式（Fidelity + Balance） 設定，並結合 Subtitle Edit 的多重替換功能 清洗固定幻覺，從而將人工校正負擔降至最低，推薦使用 RTX 3070 Ti 筆...

本影片演示如何使用 WebGPU 與 Transformers.js (V3 Branch) 在瀏覽器端實現即時語音辨識，透過 Whisper Base 模型與 Web Worker 架構，在不依賴後端伺服器的情況下，於客戶端完成音訊切片、模型推理與即時轉錄。

影片介紹了 Google 發布的新一代語音轉文字模型 Gemini 3.5 Transcribe，強調其具備智慧語意理解、自動去除填充音、支援 85 種語言自動偵測及多發言者區分等功能。透過 Google AI Studio 的「Share Audio from Tab」功能，用戶可免費實時將瀏覽器標籤頁（如 YouTube、Bilibili）的音訊轉錄並翻...

影片詳細演示如何在 Mac 上從零開始部署「千問 3.8 27B」模型，涵蓋記憶體計算、量化選擇、使用 Hugging Face CLI 下載、安裝 MLX 環境，以及透過 D-Flash 2（推测解碼）技術將生成速度從約 8.4 Token/秒提升至 30.5 Token/秒，最終啟動本地 API 服務以接入工作流。

影片實測阿里雲開源模型 Qwen3.8-27B 在 Mac Studio (M4) 上的本地部署表現，指出其雖受限于内存带宽導致生成速度較慢，但透過引入 DFlash2 技術搭配草稿模型，成功將速度提升至可穩定執行 Agent 任務的水平，被認為是本地私有化部署達到主流能力臨界點的標誌。

影片結合頂級期刊研究與大數據指出，電動車電池老化是微觀結構損傷累積的結果，而非自然消耗；透過嚴格控制電量在 20%-80% 區間、避免極端溫度與深度放電，並採用淺充淺放策略，可顯著延長電池壽命並延後老化拐點。

Google 發布三項技術進展（Teamwork、Skill State、TimesFM 3.0），旨在解決 AI 從「單次回答」轉向「長期研究夥伴」時的系統性缺口，推動競爭核心從模型單次智商轉向系統連續完成複雜任務的能力。

當前 AI 基礎設施建設正從「股權融資」轉向「債務融資」，透過複雜的金融工程（如無追索權設計、資產證券化）將風險轉移至數據中心開發商、私募基金及最終的機構投資者；雖然短期內因物理瓶頸（電力、封裝）支撐了需求，但若成長加速度下滑，高槓桿的第三方 GPU 租賃商可能率先崩盤，引發類似房地產泡沫的連鎖債務危機。

本影片介紹如何利用手機版 Google Drive 的掃描功能將實體紙本文件轉換為數位 PDF，並匯入 Gemini Notebook（原 Notebook LM），透過多模態模型直接理解圖片內容，解決 AI 無法讀取紙本資料的痛點，建立專屬的個人知識庫與智慧應用。

DeepSeek 發布實驗性多模態模型 V4 Flash Vision EXP，透過開放權重與代碼讓開發者介入輸入處理鏈路；影片強調需謹慎解讀官方測試成績（部分進步僅因獲得新輸入而非推理能力提升），並建議在報銷、文檔等場景採用「模型識別 + 規則驗證 + 人工覆核」的分層架構以控制風險與成本。

Gemini Notebook 宣布 Pro 用戶可於設定中直接關閉簡報、資訊圖表等媒體的浮水印，並預告 9 月 2 日起計費模式將從「次數限制」改為「依任務複雜度消耗 Token」，且配額每 5 小時刷新。

影片示範如何利用 Google Gemini 的 Pro 用戶功能「Gemini Spark」與「Notebook」建立自動化技能，以高效、符合規範的方式撰寫政府機關公文；同時提供非 Pro 用戶在即時通訊中的替代操作方案，並提及大專院校學生的訂閱優惠資訊。

透過 Chatbox 的 Agent 模式搭配 GPT-4o 與 Playwright，錄製手動瀏覽器操作並生成自動化腳本，同時利用「先確認後執行」與「隨機等待時間」的策略，以節省 Token 並降低被封控風險。

影片介紹了一款名為「大師 PPT Skill」的 AI 工具，該工具由團隊研發兩個多月完成，旨在解決職場人士製作 PPT 的需求。其核心優勢在於生成後具備「高度可編輯性」與「真實 PPT 格式導出」能力，通過對話框調用，支持多種風格切換及控制台調整，並內置多種商業分析模型頁面。

影片演示如何透過建立標準化工作流（釐清需求、確認大綱、確定風格、生成檢查、定向修改），利用 Codex 及其相關工具（如 PPT Scale）生成專業、可編輯且邏輯清晰的 PPT，並對比內建功能與第三方開源工具的效果，強調具體指令對於提升 AI 輸出可控性的重要性。

本影片演示如何利用 Codex 結合外部開源技能（Guizhang PPT Skill、HumanizeRZH、FrontEnd Slides）與原生圖像生成能力，將梵蒂岡通諭文本轉化為具有「古典宗教神聖感」與極簡留白設計的前端代碼渲染 PPT，實現從標準文件到數字藝術品的「降維打擊」。

Notebook LM 與 Gemini 近期更新支援去除浮水印、複製筆記本分享來源，並可直接生成可編輯的 PPT 與 Word 原始檔，無需手動轉換。

影片介紹 ChatGPT 新功能 Visualize，能將純文本、會議記錄或數據直接轉化為視覺化呈現（如報表、儀表板、互動式網頁），透過指定受眾與目標，節省整理數據與排版時間，實現「一眼看懂」的資訊處理。

本影片介紹 Google 新推出的 Gemini Omni 與 Flow 工具，演示如何從零開始生成包含背景、配樂與口白的完整影片，並透過 Flow 建立角色一致性與進行簡單剪輯，同時推薦贊助商 oiioii.ai 解決角色風格不一致的痛點。

本影片演示如何透過整合 Gemini、Midroni、Flow/Grook、Sono 及剪映等 AI 工具鏈，由單人使用一台電腦完成從世界觀定義、圖像生成、動態影片製作、專屬音樂生成到後期剪輯的「天宮神話」電影級短片全流程，強調避免空洞提示詞與明確控制動態範圍的重要性。

本影片介紹如何使用 Google Flow 解決 AI 生成影片時「人物變臉」的痛點，透過建立固定角色（臉、聲音、個性）與場景資產，實現從單一指令生成多鏡頭完整故事，並將劇組工作壓縮為個人可重複使用的資產系統。