20260905 影片筆記

本影片介紹如何利用手機版 Google Drive 內建的「掃描」功能，將實體紙本文件（如說明書、合約、雜誌）轉換為數位 PDF，並結合 Google 的 AI 工具 Gemini Notebook 進行資料處理與應用，解決實體資料無法被 AI 直接讀取的痛點。

影片介紹了一款名為 Oncelot Desktop（逐字稿中亦出現 Uncelos Desktop, Unclosed Desk 等變體）的免費開源原生桌面應用，旨在解決本地大模型訓練與微調的環境配置複雜、顯存不足及隱私問題。該工具支援 Mac OS、Windows 和 Linux，主打「無代碼微調」與「數據本地化」，透過量化技術大幅降低顯存需求（如 7B ...

微軟推出了一款體積僅 1.58G、支援 CPU 運行的開源 AI 工具，該工具能一次性處理長達 60 分鐘的音頻，解決了傳統語音識別（ASR）因分割長音頻而導致上下文割裂的問題，並類比為擁有極長上下文視窗的大語言模型，適用於會議錄音自動生成會議紀要等場景。

影片演示了如何使用名為「Silhouette」的軟體，結合 GPU 加速語音識別、百度翻譯初步處理以及 Deepseek 大語言模型高精度翻譯，完成日語視頻（以《新世紀福音戰士》為例）的字幕生成與中文翻譯流程。

影片介紹了一款名為「試意寶」（Shiyibao）的開源全自動 AI 視頻翻譯工作台，支援從 GitHub 一鍵部署或網頁版使用，整合了語音識別、多模型翻譯（如 Gemini、OpenAI）、TTS 語音合成及雙語字幕生成，提供「邊緩存邊看」的流暢體驗與後台 AI 摘要分析功能。

本影片介紹如何透過安裝 FindSub CLI 並搭配 Workbody 作為 Agent 介面，自動化執行日語視頻的字幕識別、糾錯、翻譯及時間軸處理。影片詳細講解了環境配置、API 設定、知識庫（Knowledge Base）的建立與更新機制，以及如何利用 Agent 進行遊戲文本對齊與客製化需求，旨在減少字幕組的重複性勞動。

講者演示了 MOS 智能推出的 MOSVIA Real Time（實時版）模型在本地環境的部署與測試，該模型具備「邊看邊答」、「主動沉默」及「動態更新」能力，能隨視頻流推進即時補充描述並根據新畫面修正答案；測試使用雙張 4070Ti Super 顯卡成功運行 4-bit 量化版本，並指出當前版本在短動作捕捉與原始輸出過濾上仍存在限制。

介紹一款名為 Substar 的字幕製作軟體，透過整合聽寫、AI 切分、校準、翻譯與導出的可視化工作流，解決字幕製作中重複耗時的痛點，並支援阿里雲百鏈與製補 API 配置。

講者糾正了前期關於 Hugging Face 日語 ASR 模型部署的代碼修改誤解，並演示了一款基於 OpenAI Whisper 日語優化模型的 GUI 工具，涵蓋從環境配置、Token 認證到批量生成 SRT 字幕的完整流程。

介紹一款名為 WhisperJV 的開源工具，該工具針對日語語言、語氣及詞彙進行優化，用於從視頻中精準生成日文字幕；強調需具備 Windows 10/11 系統及 GPU 硬體支援以確保運行效率，並建議用戶利用閒置算力透過特定平台出售字幕服務以獲利。

本段內容深入解析 Voice Agent 中即時語音識別（ASR）的技術原理，強調為何必須採用「流式/適時」轉錄而非整段轉錄。核心機制包含將聲音波形數位化、切分為 20 毫秒幀並計算頻譜特徵，以及模型透過引入「空白符號（Blank）」來處理音素跨幀問題。筆記詳細說明了流式模型因無法預知未來內容而產生的「邊說邊改（In-term）」現象，並介紹了利用空白符號判...