工作清單

顶级体验！DeepSeek V4 Vision多模态模型介绍与效果实测！DeepSeek V4-Flash-Vision-Exp重磅发布！

逐字稿文字預覽

Dipsic V4 Flash Vision 也就是多摩碳模型,現在已經正式發布。
我們在第一時間對它進行了性能測試。
大家現在看到的就是它真實在Dipsic Harness裡面去完成的一個PPT的一次提示,最終生成的效果。
怎麼樣?是不是非常的驚艷?
同時我們也讓它圍繞我們的一場公開課來製作了一個視頻介紹。
那麼大家看到現在這個視頻,無論是動效內容,還是整體的布局等等各個環節,
是不是都非常的驚艷?可以說相比於之前的我們看到大模型生成的視頻或者PPT,
整體的審美都提升了一大截。
而這都得益於我們最新的V4 Flash Vision模型強大的多摩碳效果。
就在剛剛Dipsic V4 Flash Vision版本的模型正式上線了。
這也是Dipsic的第一款多摩碳的模型,
然後目前是開啟了API的服務,
然後是暫時沒有上線模型的權重。
然後目前這個模型可以以Dipsic V4 Flash Vision EXP的這樣的API來進行調用。
那麼它的整個模型的文本能力是和V4 Flash平起,
然後它的視覺能力是對標現在的OPUS4.8,
也就是上一代的Cloud的旗艦模型。
整體的視覺能力其實還是非常不錯。
然後我們也是在第一時間把這個模型接入到我們的Dipsic Harness Studio裡邊來,
然後進行了一些實測。
比如說我們大家現在看到的這樣的一組動畫效果非常精美的PPT,
其實就是把我們現在的V4 Flash Vision這個模型接入到Dipsic Harness,
並且開啟視覺模式之後,
最後編輯得到這樣的一個結果。
那麼有了視覺能力之後,
也代表著現在的Agent他可以一邊看到自己的輸出結果,
一邊來進行不斷的生成優化。
那麼我們其實也是封裝了一個Preset,
在我們團隊給大家提供的Dipsic Harness Studio裡邊來進行一個運行。
那麼大家現在看到的這個PPT,
是不是覺得效果就還不錯。
當然我們這組PPT不僅是有比較美觀的動畫的交互效果,
然後同時呢它有多種不同顏色可以來進行選擇和切換。
這個其實是我們第一時間,
差不多花了半個多小時左右的時間跑出來這個結果。
當然除了它有了視覺能力之後,
可以來進行識別圖像,
然後來進行更好的比如說HTML的PPT的開發之外呢,
我們也來進行了一些視頻製作方面的嘗試。
那比如說大家現在看到的就是我們也是一樣的,
對不對?
用Dipsic Harness加上現在的V4 Flash這個模型來做了一個
我們現在的這個課程視頻的一個宣傳動畫。
這個提示其實並不複雜了,
就跟大家說,
網友團公開課的裡面有什麼樣的內容。
然後它最後呢,
生成的這個動畫效果,
是不是非常的,
可以說還是很驚豔的,
一次性的生成的這個結果,
我們差不多半個小時內就跑出這樣的一個效果。
那麼其實通過這組的這個實踐,
也能夠看得出來,
目前V4 FlashVision模型的視覺和推力能力都是非常強的。
當然現在呢,
它其實是還是屬於Vision Flash這個模型,
之後應該還會有Pro模型上線。
但是它現在權重也還沒開源,
之後應該也會有對應的開源權重,
然後可以來進行本地部署。
那同時它這裡還有官網上給了一些PPT的製作這樣的一個效果,
對不對?
那官網上的PPT其實也非常漂亮。
當然這個主要是一些旅遊風景介紹的PPT,
跟我們剛才看到的PPT其實是比較類似的。
當然我們的PPT的內容不太一樣,
但是整體的風格都是非常美觀。
然後同時這裡還有對一些官網進行二次創作,
包括更新文檔裡面還提供了,
比如說具有一些怪物風格動態特效的前端,
一些Demo等等等等。
那總之呢,
其實有了Vision的這樣的一個視覺能力之後,
搭配了DeepthickHarness,
它其實就能夠,
就像我們剛剛說的,
一邊看到這個成果,
一邊來進行製作,
那麼它整個的視覺製作的效果肯定是要更上一層樓的。
那目前這個API是可以直接來進行調用,
然後它是實際試圖的過程當中,
它是按照Token來進行積費,
就是把這個圖像轉換成文本對應的Token,
然後來進行積費。
然後同時也是因為它現在上線了多麼太模型,
所以它還給了一個Files的API,
那麼Files的API其實你可以把它理解成是一個圖床,
因為我們未來再進行圖片的交流,
包括來進行一些圖像信息的傳遞的時候,
你肯定不能是以Base64格式來傳輸一長串字符串,
你肯定是得有一個公網的地址,
然後再來進行圖片的讀取其實會方便很多,
所以它現在同時是給了一個Files的API,
然後Files的API你可以把它理解成就是一個在線的文件管理系統,
那麼現在是隨著視覺模型一起上線的,
其實除了Deepseek之外,
像OpenAI和Enthelpic,
它們都有一些自己在線的文件管理系統,
現在Deepseek也有了,
接下來你就可以上傳圖片到它們的平台,
然後接下來就可以通過FileID來進行引入和使用。
當然我們團隊給大家額外提供的DeepseekHarnessStudio,
這樣的中間客戶端,
我們也是第一時間集成了目前VS FlashVision這樣的模型,
來進行視覺增強。
然後同時大家剛剛看到的用它去做PPT,
用它做的視頻,
其實都是對應的不同的Preset,
然後在我們最新版的DeepseekHarnessStudio,
裡面有一個專門的Preset網場,
可以把理解成就是一個Agent預設,
然後在這裡面就有對應的去製作PPT,
大家看到PPTOffice,
對不對,
和視頻生成的一些對應封裝好的Agent預設,
那麼大家之後拿到我們的DeepseekHarnessStudio之後,
就會直接選擇對應的預設模式,
然後輸入一些提示就可以讓它自動的幫你去完成精美的PPT,
和視頻製作相關的一些事項了。
好,
那麼本期視頻是一個關於DeepseekV4 FlashVision模型的一個快速的介紹,
那麼大家現在如果想要體驗這個模型,
就可以在API上來進行一個調用,
那麼除此之外,
大家也可以在我們的DeepseekHarnessStudio上來去體驗視覺增強這樣的功能,
以及,
對不對,
去使用我們剛剛大家所看到的做PPT,
還有做視頻的相關這樣的一個流程。
當然,
全套的製作流程和提示詞,
以及關於DeepseekHarness和Deepseek最新的V4這樣的模型相關資料,
以及大家現在看到的DeepseekHarnessStudio這樣的安裝包,
都已經上限至我們的富凡AI社區,
大家查看自己評論,
即可領取。
本期視頻就先到這,
我們下個視頻,
再見。

來源：transcript.txt

本次執行流程與問題處理

  1. 下達指令

    指令：videonote https://b23.tv/OySkwdZ --language zh --auto-source-subtitles

    來源：https://b23.tv/OySkwdZ

    辨識語言：zh ｜ 參數：--language zh --auto-source-subtitles

  2. 預期流程

    依指令產生的處理順序：

    1. 自動字幕優先，Whisper 作為備援
    2. 來源選擇與品質檢查
    3. 文字校正與句子單元
    4. 筆記與發布
    5. 公開網頁發布

  3. 1. 下載與語音辨識

    工具：videonote-transcribe-url（主辨識管線：下載、Whisper 辨識與選稿）

    處理：下載音訊、以 Whisper 辨識並選出最佳逐字稿

    產出：yt_dlp_meta.json（影片元資料）、audio_16k_mono.wav（16kHz 單聲道音訊）、transcript.whisper.json（Whisper 辨識結果）、transcript.json（正式逐字稿）、transcript_selection_report.json（來源選擇報告）

    耗時：21.0 秒

    關係：依序執行

    結果：完成

  4. 2. 全文快速校讀

    工具：videonote_rapid_transcript_review.py

    處理：先速讀完整逐字稿，再修正高可信突兀詞句並列出待確認項目

    產出：rapid_transcript_review_report.json（產出檔案）

    耗時：39.1 秒

    關係：依序執行

    結果：完成

  5. 3. 建立句子單元

    工具：videonote-build-sentence-units

    處理：將逐字稿切成帶時間軸的句子單元

    產出：sentence_units.json（句子單元）

    耗時：0.2 秒

    關係：依序執行

    結果：完成

  6. 4. 句子密度平衡

    工具：videonote_balance_sentence_units.py

    處理：平衡句子長度與密度

    產出：sentence_units.json（句子單元）

    耗時：0.2 秒

    關係：依序執行

    結果：完成

  7. 5. 時間軸稽核

    工具：videonote_timeline_audit.py

    處理：檢查時間軸與音訊對齊

    產出：timeline_audit_report.json（時間軸稽核）

    耗時：0.2 秒

    關係：依序執行

    結果：完成

  8. 6. 品質檢查

    工具：videonote_controlled_quality.py（檢查時間軸與品質）

    處理：檢查語言、時間軸與可讀性品質

    產出：controlled_quality_report.json（品質報告）、language_sanity_report.json（語言檢查）

    耗時：0.2 秒

    關係：依序執行

    結果：完成

  9. 7. 播放時間軸回填

    工具：videonote_rebase_display_timeline.py

    處理：將網頁播放時間軸回填為校正字幕時間

    產出：display_timeline_rebase_report.json（時間軸回填報告）

    耗時：0.3 秒

    關係：依序執行

    結果：完成

  10. 8. 逐字稿交叉檢查

    工具：videonote_cross_check_transcript.py

    處理：交叉檢查逐字稿與來源字幕

    產出：transcript_crosscheck_report.json（交叉檢查）

    耗時：0.3 秒

    關係：依序執行

    結果：完成

  11. 9. 來源句整理

    工具：videonote_prepare_source_entries.py

    處理：整理來源句子供時間軸與頁面使用

    產出：sentence_units.json（句子單元）

    耗時：0.3 秒

    關係：依序執行

    結果：完成

  12. 10. 生成筆記摘要

    工具：videonote-generate-note（生成筆記摘要）

    處理：生成筆記摘要與重點

    產出：note.md（筆記 Markdown）、note.html（筆記 HTML）

    耗時：84.9 秒

    關係：依序執行

    結果：完成

  13. 11. 建立筆記頁面

    工具：videonote-render-html（產生筆記 HTML）

    處理：產生可閱讀的筆記 HTML 頁面

    產出：note.html（筆記 HTML）

    耗時：1.0 秒

    關係：依序執行

    結果：完成

  14. 12. 發布公開頁面

    工具：videonote-publish（發布公開頁面）

    處理：發布到公開網站與每日列表

    產出：公開筆記網址、result.json（管線結果）

    耗時：0.1 秒

    關係：依序執行

    結果：完成

手動來源字幕

自動來源字幕

Whisper 字幕

Qwen 字幕

Parakeet 字幕

MOSS 字幕

聲學時間證據（PyAnnote / WhisperX）

校正前後逐字稿

目前待解決問題與初步改善方向

進一步精進字幕與筆記
使用 Workbench 上傳校正字幕、中文參考稿或回饋 SRT，重新產生雙語與學習單元。
開啟 Workbench