20260906 影片筆記

本影片介紹了一款名為 Audio8 ASR 0.1B 的超輕量多語言語音識別模型（僅 0.1B 參數），並演示了從下載解壓、執行腳本、上傳音頻到透過「熱詞控制」修正識別結果的完整操作流程。

講者 Moi 介紹了開源字幕工具 Maw 從 1.3 升級至 1.4 版本的重大更新，重點包含引入來自 Bilibili 的免費 ASR 服務、支援本地模型轉錄、雙語字幕自動綁定、手動拆分面板、批量延長字幕，以及透過 Launcher 工作箱實現的 AI 修正與翻譯自動化管線，同時新增 Linux 客戶端支援與多項快捷鍵及視覺體驗優化。

本影片介紹了一款名為 Maw 的開源免費工具，透過拖曳視頻至媒體區並勾選翻譯選項，即可自動完成轉寫、AI 翻譯並生成雙語字幕及工程文件，讓一般用戶可直接使用字幕，而專業用戶（講者稱為「烤肉人員」）可透過工程文件進行精細編輯。

影片介紹了一款由 Firecrawl 推出的開源瀏覽器插件 OCR-it，該工具能透過框選與滾動捕獲的方式，無視付費或會員限制，直接從如「某度文庫」等網站中提取完整文本內容。

Firecrawl 團隊發布了一款開源工具，能在無需依賴第三方服務的情況下，以極高速度（幾毫秒）將任意格式文檔轉換為 Markdown，支援本地部署及作為大模型 Source 集成，適用於個人、Agent 集成或小工具開發。

本影片重新進行了四款 PDF 轉 Markdown 工具（MarkItDown、Docling、Marker、MinerU）的實測，核心觀點在於「工具不是答案，可靠的質檢流程才是關鍵」。測評目標並非尋找單一最佳工具，而是評估轉換後的輸出是否足以放心交付給 AI 處理（進入 AI 上下文）。結果顯示各工具在速度、結構穩定性及適用場景上各有優劣，建議使用者根據文...

本影片介紹了一款名為 MinerU（筆記中亦稱 MinaU）的開源文檔解析工具，講者提供了一個基於 GitHub 原始碼打包的「一鍵懶人包」，讓用戶可以在本地、斷網環境下無限制地運行該工具，將包含公式、表格的複雜 PDF 轉換為 Markdown 或 JSON 格式，適用於 RAG（檢索增強生成）場景。

MinerU Popo 是一個專攻 OCR 後處理的 4B 參數模型框架，旨在解決複雜文檔解析中標題層級、段落連續性及跨頁結構等問題，透過統一推理與修復，顯著提升 MinerU 等前置工具的結構恢復質量（如 TEDS 指標從 53.7 提升至 90.6），為知識庫與 RAG 應用提供更乾淨、可計算的文檔資產。

影片介紹百度發布的 PP-OCR V6 模型，強調其參數極小（Tiny 僅 1.5M）、運行速度快（本地瀏覽器單圖 97ms），並示範如何利用 MCP（Model Context Protocol）協議將該 OCR 能力接入 AI 工作流（如 Codex），實現高效的文字提取。

本影片實測 PP-OCRv6 模型，展示其本地部署、推理速度及對複雜排版（如電路板 CAD、手寫體）的支援能力，並詳細演示了從環境配置、模型下載推理到使用 COCO 格式進行數據標註與微調（Fine-tuning）的完整流程，同時對比了 PP-OCRv6 與 PP-V5、GPT 及 MinerU 2.5 等模型的識別效果。

Deepseek Harness 推出了開源免費、本地運行的 Office 全家桶插件「DS Univer Office」，支援生成代碼式圖表的 Excel、Word 及 PPT 文件，演示者透過指令「AI 產品狙擊手」快速完成 PPT 製作，並將其列為必裝技能。

影片解析了 GPT6 的發布細節與能力評估，指出其在電腦操作、專業自動化、編程及學術研究等領域有顯著提升，特別是安全與自動化能力達到質變；同時說明該模型將逐步對付費訂閱用戶（Plus/Pro/Business）開放，免費用戶短期內無法使用。

本影片展示了 GPT-6 與 Astra 模型在第二波更新後的 88 個新案例，涵蓋從 3D 建模、空間重建、遊戲開發到網頁設計與多媒體創作的廣泛應用，並強調了與 Blender、Unreal Engine 等工具的整合工作流及對細節、物理反饋與操作手感的評估。

本影片展示了 GPT-6 發布首日，多位測試者與 OpenAI 員工演示的 38 個案例，強調其在遊戲開發（一句話生成原型）、3D 世界生成、程式碼編寫及電腦自主操作方面的強大能力，同時指出官方評測與測試者評價之間存在的差異與爭議。

影片實測近期發布的 AI 模型 Astro（疑似與 ChatGPT 團隊有關）與 Gemini 3.8，測試其能否僅憑「三視圖紙張」生成可直接在 Blender 中編輯的參數化 3D 模型。結果顯示，Astro 能生成結構複雜、部件獨立且可編輯的德國豹 2 坦克模型，具備工業級潛力；而 Gemini 3.8 雖速度快但質量粗糙，無法滿足複雜建模需求。

本影片介紹了一款視頻轉字幕工具的更新內容，重點在於上傳文件後的模型配置、針對低顯存設備（如 8GB）的參數調整建議，以及新增的 VAD（語音活動檢測）參數設定功能。

該影片解析了名為 Visper CD 的論文，介紹了一種在推理階段無需訓練模型、僅需修改解碼步驟的工程化方法。通過引入「對比解碼」（Contrastive Decoding, CD）機制，利用乾淨音頻與經過聲學擾動（如噪聲、靜音、時序偏移）的音頻輸出進行對比，有效抑制了長音頻識別中的幻覺、重複循環和漏字等錯誤，顯著降低了錯誤率。

本影片介紹了由阿里達摩院開發的「千萬 Audio Agent」，這是一個支援全雙工實時語音交互的 AI Agent，講者詳細演示了其 Web UI、終端 TUI 及桌面懸浮球三種介面，並重點說明了本地化部署方案，包括透過 S2S 技術連接本地語音模型及透過 OpenClaw 接入本地後台模型，評估本地部署難度約為 5/10，效果可達 API 版本的 80%-...

港大開源的 DeepTutor 透過建立知識庫索引真實資料，針對「收藏即學會」的痛點，提供「定制路線、閃卡/測驗抽查、長期記憶沉澱」三合一的私人導師體驗，將靜態資料轉化為動態的學習閉環。