逐字稿文字預覽
大家好,我是孫重重。歡迎大家來到這個Codex教程。 最近Codex活到不行。7月9號GPT5.6發布以後,它在處理這些複雜任務、知識工作、設計和電腦操作這些方面的能力又往前邁了一步。 我個人認為它就是當下我們最需要掌握的AI工具。 因為它並不只是適合寫代碼,它是真正能夠在工作環境中去處理文檔、表格、數據分析、工作流自動化 以及直接制作出来产品 而且它在技术上的门槛并不高 哪怕是你之前没有写过任何一行代码 甚至是当你看到终端上的那一行行英文 想把电脑合上 这也没有关系 这条视频就是从零开始教你怎么使用Codex 我不会莫认为你已经知道什么叫框架 依赖 Gate 进程等等这些名词是什么意思 遇到这些词的时候 我们先看一眼它在这里到底是什么用 然后再做进一步的解释 那这堂课我会先从Codex 它到底是什么东西开始讲起 然后项目任务模型推理强度 权限计划目标终端 DIF代码审查 这些听起来有点陌生神秘的名词 我都会把它放到具体操作里 用普通人能听明白的话语 去把它讲解清楚 那理论讲完以后 我会带着大家一起做一个案例实战 从一个控网键夹开始 做出一个专面版APP 素材批量命名助手 它是一个对内容创作者和电商从业者 都很实用的工具 它可以把你选中的 录屏 视频 图片和音频文件 导入进来 批量选中 按照项目名称 序号 素材类型 和可选标签 实时生成一套统一的新名称 而且在真正批量改文件之前 还可以完整看到 旧名称 新名称和风险 它会保护扩展名 检查 筹名 非法字符 文件占用和目标冲突 在执行之前 也会给你一页完整的确认 执行以后 可以查询操作记录 还可以安全撤销最近一次任务 没错看完这条视频 你就可以跟着做出一版非常接近的产品 不过边界也要说清楚 每一步操作 每一条提示词和每一个工作成果要如何验收 我都会放到视频里 但是我不能替你看屏幕 如果你的结果和我操作的不一样的话 先别跳过去 把你的结果截图发给Codex 让它去进行诊断 这其实比复这一段永远不会出错的报告更有意义 因为在真实做项目的时候 我们的电脑和AI偶尔会有自己的想法 这是没有办法完全避免的 好 下面的内容我们分为两部分 理论片和实践片 理论片听起来可能会有点枯燥 主要就是把Codex的核心功能讲清楚 实践片就是从零开始制作出来刚才展示出的那个中原APP 好 那我们现在正式开始Codex的理论片 首先是Codex到底是什么 我们可以先把它简单理解成一个 能在实际工作环境里 动手的AI助手 普通聊天工具 它最擅长的是 在对话框里给你答案 但Codex除了回答 还可以在你允许的范围内 查看项目文件 创建和修改内容 运行终端命令 启动程序 打开网页 检查改动 再把结果交给你验收 这句话里最需要留意的是 在你允许的范围内 它不会因为你说了一句 帮我做个APP 就理所当然的 接管了整台电脑 顺便把你的桌面也收拾了 把你的回收站也清理了 甚至把你的人生也规划了 而是你给他一个工作现场 告诉他目标和边界 他就在这个现场里执行 遇到需要额外权限 或者是比较重要的工作 他就会停下来问你 和普通聊天相比 比如说ChatGPT或者是豆包 Codex最明显的变化在这里 他只能围绕一个项目 持续的读改运行和验证 他的行为不再只停留在对话框里 你暂时只要记住这四件事 读文件 改文件 运行 验证 以后再看到复杂的功能 也可以先问 它到底是在帮我理解项目 改变项目 还是验证结果呢 Codex适合什么人 它不适合拿来做什么呢 很多人一看到Codex就会问 这是不是只有程序员才能用 当然不是 程序员当然可以用它来写代码 修bug 做代码审查 但如果你是内容创作者 产品经理 设计师 业人公司研究人员或者是普通的办公用户 你也可以让他做网页 整理本地资料 批量处理文件 生成文档 分析表格 制作演示文稿 或者是把一个重复流程变成小工具 对普通用户来说 更实际的门槛是 能不能把下面几件事情说清楚 我想解决谁的问题 哪些内容必须保留 哪些动作不能做 最后我要怎样确认他真的完成了 也是一个验收的过程 当然Codex也有不适合直接放手做的事情 涉及到真实付款 公开发布 批量删除 生产数据库 密码密钥 中药合同 或者是可能影响到别人的外部操作 都要非常慎重的把任务交给他 Codex可以把你的执行力放大 但判断责任还是要放在你这里 安装登录以及本次演示 为什么要以MacOS为主线 安装的话 只要网络环境没有问题 直接从OpenAI的官方入口下载 专门App就可以了 现在Codex已经和ChatGPT合并了 这个专门APP也叫ChatGPT 按照系统提示安装 然后使用你的ChatGPT的账号登录就可以了 您看到的具体按键的位置 套餐和额度说明 可能会随着版本变化而不同 我是在7月22日录制的视频 使用的是目前的版本 如果你以后看到的名字略有不同也没有问题 这次演示会以MacOS作为主线 以我目前的使用体验 Codex和MacOS的整套工作流程配合得很好 不过这不等于Windows用户不能用 桌面App的核心工作方式在两个系统上都成立 第一次看Codex界面先了解功能区 第一次打开Codex 很多人可能会从左上角开始 试图把每个按钮都记住 但其实界面经常更新 按钮的位置也经常变化 我们可以先了解各个功能区 左边通常是你的项目和任务记录 你可以把它理解成办公楼的楼层和房间 中间是当前任务发生的地方 Codex的回复 执行过程 权限请求 测试结果 主要都会在这里出现 下面是输入区 你可以在这里布置任务 补充条件 添加文件 截图或者语音 任务运行以后 你还会看到文件感动 中端输出 浏览器和审查结果 那新手第一次看见面 抓住四个位置就够了 我在哪个项目里 我正在和哪个任务对话 我的要求从哪里发出去 结果和证据都在哪里看 Codex的项目任务和文件夹 项目任务和文件夹 是新手最容易混在一起的几个词 放在同一间办公室里看 可以这么理解 项目呢它像一间办公室里面 放着这个产品的文件规则和历史 任务像你在办公室里召开的一次具体会议 比如说设计网站首页 它是一场会议 检查文件安全 又是另一场会议 文件夹相当于是电脑里真正存放资料的位置 Codex打开哪个文件夹 就相当于你把它带进哪家办公室 如果文件夹选错了 它可能非常努力 但它努力在错误的方向里了 长期项目和临时问题最好分开 同一个APP的需求 实现测试和打包 可以留在同一个项目里 但没必要全塞进一条无线变长的对话 任务目标明显变化时 新开一条任务会更干净 这样Codex更容易知道 眼前在解决什么问题 Codex到底能记住多少 换一个对话框以后 他还记不记得 这个问题经常会出现 最安全的理解是 不要把重要项目决定 最安全的理解是,不要把重要項目決定只放在我記得我們聊過這件事上。 當前任務的消息,你附加的文件,他讀取到的項目內容,都會形成這次工作的上下文。 但Codex的上下文记忆不是无限的 不同任务之间也不应该默认拥有完整永久逐字的记忆 产品范围、匿名规则、安全底线、视觉规范 这些以后会反复用到的决定 最好写进项目文件 你可以使用productspec.md这个文件来保存产品需求 使用agents.md来保存这个项目长期需要遵守的工作规则 这就像公司要有公司的行为准则 Codex也有记忆和长期规则的相关能力 但具体入口可能随版本和设置而不同 新手先掌握一个最稳的方法 就是重要的决定落到文件里 开始新任务时让它先读取这些文件 Codex的输入框 附件截图和语音 这里是Codex的输入框 除了输入文字 它还可以使用语音输入 点击这个麦克风 其实Codex的语音转文字模型 识别中文的准确度 现在还是可以的 包括你轻声说一句话 活着时会将一些 抵防防艳 只要口齿清晰 一点问题都不大 除了直接用文字来表达任务 也可以添加文件 图片或者截图 很多时候与其花几分钟去描述 右上角那个有点歪的按钮 给我改一下 不如截一张图 然后在图里清楚地指出 这个按钮的位置 让它理解得更好 但附件也不是越多越好 真正值得放进任务里的通常是完成工作必须看的文件 能够证明当前问题的截图或报错 还有明确的参考样式和不能改的部分 另外一定要注意不要上传密码 私钥身份证件私人聊天记录 或者任何与任务无关的客户资料 如何给Codex布置一条能执行的任务 怎样把一句想法变成Codex能执行的任务呢 一个好的任务不一定很长 但通常要能回答五个问题 我最终想要得到什么 Codex你需要知道什么背景 哪些事情是不能做的 怎么样才算完成 你是先检查 先计划 还是可以直接动手 比如说不要只对Codex说 给我做一个素材管理助手 要高级一点 不能这么说的原因 不是你对Codex不能不礼貌 而是高级这个词 它没法验收 可以执行的表达是 请先不要写代码 我要做一个给内容创作者使用的本地素材批量命名助手 第一版必须支持导入文件 实时预览新名称 安全检查 原地除命名和撤销 不上传文件 不覆盖目标文件 请先判断需求里最影响方向的五个问题 等我回答以后再写需求文档 你会发现这里没有一行代码 全是人类的自然语言 甚至全是中文 但任务已经非常明确 我们要扮演的角色 就是会有人类的自然语言 给AI布置任务的老板 还有一个非常实用的习惯 当你自己也没有想清楚时 不要假装已经想清楚 你直接告诉Codex 先不要做 你先问我关于这个产品的问题 你要相信起码现阶段 Codex要比你聪明得多 这样做是借助他的智慧 把我们模糊的想法摆到桌面上 让Codex替我们去思考 当然最后怎么选 还是由我们自己负责 Codex是使用的模型推理强度速度和用量 这里是模型选择区域 不是什么任务都需要使用最高级的模型 复杂工作可以使用GPT5.6 轻量的任务就可以选择更快更节省的模型 那怎么去选呢 对新手来说可以先爱任务难度去选 比如说我设计录制这个视频时 复杂的产品规划架构安全审查和困难的问题 我会交给更强的模型 格式整理 简单的改文案 一些机械的检查 则可以交给更快更节省的模型 模型和界面会更新 所以大家也不要把这条视频里的名字 当做永远不变的菜单 推理强度可以理解成 你愿意让它在回答前 花多少力气去思考 不是所有的任务都适合用高强度 如果你改一个标点符号 也开最高推理的话 那有点希望你请公司的总结 你去会议室给一盆驴锣 浇了浇水 质量优先 但没必要让所有的任务 都排在同一个重量级 高风险 跨文件 设计产品结构和文件安全的工作 慢一点也没有关系 重复 可逆 容易检查的任务 用更快的配置 通常更合适 速度模型 也是类似的逻辑 你是在等待节省时间 还是在牺牲必要的思考 这也要看具体的任务 至于用量 别只盯着一条消息 它花了多少 如果是你的任务含糊 一次塞的太多 做完又被验收 最后反复又推导重来 这些不健康的行为 往往比选了一个更强的模型 更快的速度 更费额度 我们把任务拆小 把边界说清楚 每一步先检查 减少这个反复推导重来的过程 这是一个比较好的习惯 Codex的普通执行目标和计划 普通执行目标和计划 这三个名字排在一起 很容易让人产生一种错觉 好像在使用Codex之前 还得先补一门项目管理 但其实判断方法没有那么复杂 我们主要先看眼前的任务有多大 比如说页面上的选择素材 要改成导入素材 这个要求很清楚 改动也很小 直接告诉Codex该拿几个字 改完运行页面 再点一下按钮 确认功能还在 这件事就结束了 但后面我们要做的素材批量命名助手 就完全是另一种体量 它从空文件夹起步 会碰到界面 文件读取 重命名 冲突检查 撤销和打包 等等一系列的任务 在代码还没写之前 我更想先看清楚 它准备选什么技术 文件放在哪里 哪一步开始接触用户素材 以及最后拿什么证明没有改错 那这个时候就要用计划 它把路线提前摊在屏幕上 让我们在大改动之前 先挑问题 哪一步太大 哪一步漏了安全检查 顺序是不是反了 而目标是和持续时间更长的任务 比如说希望Codex分多个阶段 一直追着完成整套课程交付物 这个目标往前走 而不是一条消息结束之后就停 这个时候就可以用目标创建或者管理 平常我们只需要这样判断 事情小而明确就直接做 范围大风险高就看计划 同一个结果需要跨很多阶段持续推进的话 再考虑目标 什么是Codex的插件和Skill 下面了解一下插件 这里显示的是已经安装了的 还没有安装过插件的话点这里 插件它的作用是给Codex增加原来没有的工作能力 或者是把它连接到你正在使用的其他工具 在这里搜索需要的插件 打开详情再点击加号就可以安装 有些插件装完就能使用 有些还需要登录比如说Google Drive GitHub Notion之类的外部服务 安装完成之后 最好新开一条任务 让新插件的能力完整加载进来 开完插件 我们再看到旁边还有一个技能 这就是非常重要的skill 官方解释是通过任务专用技能 扩展codex的能力 它就是可以服用的专业工作方法 比如说以后把 怎样根据我的语言样本 参考内容和课程结构 写出口播稿 整理成固定流程 它就可以成为一个内容skill 下次我再换选题 但流程还在 就不用重新描述工作方法 现在的开源Skill非常非常多 很多人是非常乐意 分享出来自己的方法论的 所以安装的时候至少要看一下它是谁提供的,里面包含什么,需要连接哪些服务,以及它可能读取或者修改什么。 插件和skill都不是安装得越多越好的,我们要有选择的去安装。 如何理解和设置Codex的权限 权限这部分非常重要 因为Codex它是能直接在我们的工作环境中 读取和写入文件运行命令访问网络的 有些情况下还会操作浏览机和桌面 它是真的能动手 所以我们一定要给它合适的权限 如果你刚开始使用Codex 我更建议你先选择第一种 请求批准 这个模式并不是说Codex它每改一个字都要跑来问你一次 只要操作它是发生在当前项目允许的范围内 比如说读取项目文件 修改代码 运行普通的本地命令 它通常可以正常地完成 真正需要填下来询问你的 是访问项目外部的文件 连接互联网 或者是执行超出当前安全范围的操作 比如说它只是想访问互联网 下载我们这个项目需要的正常依赖 而且来源和用途都很清楚 这种情况就可以批准 但如果它准备读取一个 和当前项目完全无关的文件夹 或者运行一条 你根本不知道是干什么的命令 那就先不要批准 完全可以点拒绝 然后直接问他 先不要执行 请用普通人能听懂的话 告诉我这项操作要做什么 为什么需要它 会影响哪些文件 以及有没有权限更小的替代方案 审必窗口 有时候还会让我们选择 仅允许这一次 或者在更大的范围内持
本次執行流程與問題處理
下達指令
預期流程
- 下載與語音辨識
- 來源選擇與品質檢查
- 文字校正與句子單元
- 筆記與發布
- 公開網頁發布
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：119.4 秒
關係：依序執行
結果：完成
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：77.2 秒
關係：依序執行
結果：完成
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：0.3 秒
關係：依序執行
結果：完成
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：0.3 秒
關係：依序執行
結果：完成
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：0.4 秒
關係：依序執行
結果：完成
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：729.6 秒
關係：依序執行
結果：完成
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：0.6 秒
關係：依序執行
結果：完成
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：0.7 秒
關係：依序執行
結果：完成
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：0.7 秒
關係：依序執行
結果：完成
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：211.3 秒
關係：依序執行
結果：完成
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：0.4 秒
關係：依序執行
結果：完成
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：0.5 秒
關係：依序執行
結果：完成
手動來源字幕
- 尚未產生
自動來源字幕
Whisper 字幕
Qwen 字幕
- 尚未產生
Parakeet 字幕
- 尚未產生
MOSS 字幕
- 尚未產生
聲學時間證據（PyAnnote / WhisperX）
- 尚未產生
校正前後逐字稿
- 校正前 transcript.whisper.json 純文字 JSON
- 校正後 transcript.json 純文字 JSON
目前待解決問題與初步改善方向
- 逐字稿全文快速校讀未完成
已保留自動字幕/原始逐字稿並繼續生成筆記。；未完成的全文速讀項目可在精進模式回聽確認。；RAPID_REVIEW_STATUS=REVIEW_REQUIRED_INVALID_OUTPUT
- 逐字稿可先使用，但有待校正清單
segment=3 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=4 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=8 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=9 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=10 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語；segment=719 unnatural_sentence_boundary: 標點出現在句首或停在逗號位置，斷句可能不符合文法/口語
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。