逐字稿文字預覽
這個8月Grok已經成長為無法忽視的規模了 不僅模型升級為Grok 4.6 產圖模型升級為Image 2.0 甚至端出了全新的AI Agent工具Grok Bot 震撼市場 其他三家AI大廠也沒閒著 首先 ChatGPT從7月開始就瘋狂寵粉 除了靠不斷重置 大量吸引Claude用戶跳槽 8月7日更下放GPT-5.6 Luna模型 給免費版還有Go用戶 此外 在設定裡面還新增開啟自動同步的功能 可以同步抓到電腦裡面 使用其他AI軟體的開發紀錄 對於同時使用Claude、ChatGPT的用戶來說 這簡直就是天大的福音 Claude則在7月底推出Opus 5模型 並在近期確定 Sonnet 5現在的優惠價已經成為定價 未來不會漲價 一般用戶最有感的 則是現在Chrome側邊欄的擴充功能 變成Claude Cowork 你在瀏覽器上對話 都可以同步在桌面的軟體出現 最後來看一下Gemini 唉 等了整整三個月的旗艦模型 3.5 Pro 似乎已經確定消失了 但在上週他們推出了全新模型 3.7 Flash 而且在美國還開放了14個應用程式 可以連結Gemini 對於封閉Google生態圈來說 算是很大的進步 現在 馬上帶領你們深度認識美國四大AI更新內容 Google現在最該緊張的對手 不是OpenAI 是Grok 為什麼呢 因為Google這幾年的護城河一直是 又便宜、又快、又什麼都能做 文字、圖片、影片全包在同一個生態系裡 而Grok這個月 每一項更新都瞄準Google 先看模型 8月12號 Grok 4.6正式登場 價格是輸入每百萬Token 2美金 輸出6美金 大約是其他前沿模型的一半 在Artificial Analysis智力指數上拿到61分 追平OpenAI的旗艦 GPT-5.6 Sol 它最強的是長時間的Agent任務 官方說法是 特別擅長把一個粗略的產品想法 直接做成能動的第一版 而且跑越久越穩 因為它會自我測試 自我驗證 再看圖片 Imagine Image 2.0 8月7號上線 這一代主打精準編輯 魔法棒工具點哪裡改哪裡 一次最多吃五張參考圖 角色產品場景直接合體 文字算圖也大升級啊 海報上的小字不會糊掉 最後看影片 Imagine Video 1.5月初升級 支援文字生影片 圖像跟語音參考 跟Google的Veo 3.1比起來 評測顯示 Veo 3.1在物理表現 人體動作 這種硬指標上還是比較準 單支最長8秒 Grok 單支能做到15秒 音效是原生內建的 生成大概30秒就好 成本比Veo 3.1低了7成5 到將近9成 一句話總結 要拍廣告要精緻選Veo 3.1 要一天產20支社群短影音 選Grok 而這個月Grok讓人驚豔的 還不只這樣 xAI併入SpaceX之後 終於放出了大招 就是Grok Bot 但它的使用邏輯跟介面 與你熟悉的ChatGPT Claude完全不一樣 先看介面 打開App你會發現 它的介面走一個極簡風 完全就是一個通訊軟體 左邊一排是你的Bot 右邊是對話框 不得不吐槽LINE的介面 還比這個複雜勒 使用邏輯也完全不一樣 你用Claude Cowork 或ChatGPT的時候 是「用任務思考」 我要他做這件事 Grok Bot要你「用角色思考」 每一個Bot都是獨立的角色 這一支負責我的信箱 這一支負責找客戶 而這一支負責幫我想影片大綱 你不是在下指令 你是在組一支AI團隊 但在正式建置團隊之前 建議你先建立一個Commander 作為整體工作流的總指揮 雖然Grok Bot支援自行建立 但我的慣用做法 是將第一個Bot設定為Commander 並投餵你在網路上收集到的 各種工作流程概念 或是過去在其他AI開發過 可重複使用的Skill 讓Commander來負責指揮 與協調整體運作 當Commander設定好所需的Bot後 只要將他們拉進同一個對話框 就能透過@ 提及特定Bot來發送指令 當然不使用@也沒問題 因為每個Bot都具備 自動判斷任務歸屬的能力 這也正是Commander的核心價值所在 只要前期設定夠完善 Commander就能精準理解你的需求 篩選並派發任務 體驗上遠比讓各個Bot 盲目猜測來的高效且順暢 針對特定的對話 你也可以啟動Start Thread 進行更深入的探討 這樣既可以在同一個聊天室內 進行單一Bot的細部交流 又能隨時切換回主線繼續溝通 讓整個工作區更加井然有序 不過即使單純透過對話來驅動 基本上也都能順利完成任務 像是文件生成這類常見的辦公室需求 完全不需要呼叫API 只要運用內部多個專屬Bot 與Commander的指令配合即可 裡面的Multi-Agent機制十分流暢 絕不會發生彼此搶工作或衝突的情況 若你曾使用過OpenClaw 或類似的多機架構 就會明白這類的設定通常非常繁瑣 而Grok Bot 不僅能輕鬆實現平行處理 與即時排定Agent工作流程 甚至還會自動建立 負責品質把關的檢查Bot 是目前市面上最完善 且上手門檻最低的系統 Grok Bot到底強在哪裡 以下這兩件事 Claude跟ChatGPT目前都做不到 第一 配一台全天候開著的雲端電腦 裡面有瀏覽器、有檔案、有登入狀態 而且是長期留著的 差別在哪 Claude Cowork 跟 ChatGPT 的 agent 除非是排程在雲端的定期任務 其他工作還是很仰賴地端的主機 Grok Bot 則是「所有Bot使用一個獨立的雲端」 所以你關機出門 它還在用雲端電腦工作 想看它在雲端幹嘛 使用App右上角的電腦圖示 它開 Chrome、開終端機 畫面全都看得到 第二多角色溝通 你可以把多個Bot拉在一起 同時下任務 例如一個A Bot負責管專案預算 B Bot負責訂便當 C Bot負責安排拍攝行程 你可以直接發派任務 就像前面示範的樣子 其他還有些小差異 像是外掛不用進設定頁 你在對話裡說 「以後都存到 Notion」 他當場跳授權 排程也不用手動設 直接講 「每天早上八點幫我整理一次」 也能用螢幕錄操作錄影 就能讓Grok Bot重複執行 聽起來好像很厲害 但先別急著訂閱 因為他現在貴到靠北 如果你要使用Grok Bot 要嘛訂Super Grok Heavy 月費300美金 要嘛走Cursor Ultra 200美金 或是Cursor團隊 每席120美金 一般訂閱X Premium 或是Super Grok的用戶 完全不能使用 另外還有一個缺點是 目前Bot也不能選模型 你看不到他跑哪一支 花了多少成本 如果你還是想嘗試 現在新用戶有7天免費試用 下載軟體登錄 就可以體驗看看 不過因為他的額度真的非常少 建議先跟其他AI軟體討論完目標 來源跟限定範圍等條件都寫死 才開始跑任務 這個設定讓ChatGPT 可能成為所有AI Agent的入口 他就是「保持匯入同步」功能 對於雙刀流的重度AI使用者來說 這項功能大大提升工作效率 因為他可以直接偵測到 桌面上的其他AI應用程式 並且可以直接同步 更新到ChatGPT裡面 舉凡你在Claude Code跟 Cowork裡面的紀錄 都可以直接彙整進來 還有一項更可怕的更新 叫做Computer History 雖然這項功能目前只有在Mac電腦 上才能使用 但他可以讓你跟ChatGPT的互動大幅升級 從原本記得我們聊過什麼 變成「記得我今天在電腦上做過什麼」 先講清楚 他跟原本設定裡面就有的「本機記憶」 不是互相取代 而是上下層關係 本機記憶是「記憶引擎」 Computer History是新裝上去的「感測器」 官方也寫得很明白 你必須先打開Memories才能用 Computer History 那他到底記什麼? 以前ChatGPT只知道你跟他聊過什麼 你早上用Chrome查資料 用Slack跟同事討論 開Google Docs改企劃 打開Excel看數字 這些他通通不知道 現在使用Computer History 他會把這些活動整理成一條時間軸 九點十分看企劃回饋 九點半改上線文件 十點十五看銷售數據 十點四十回Slack 所以你下午可以直接問他 「我早上做到哪了？」 「幫我整理一下今天做了什麼 等一下要報告」 甚至「我剛剛看的那份提案在哪」 這裡一定要澄清一個誤會 他不是一直在錄你的螢幕 官方說明他記錄的是互動事件 像是點擊、打字、快捷鍵、切換App 加上macOS輔助使用功能提供的相關資訊 不會用影像的方式記錄你的行為 更不會監聽你在幹嘛 就連無痕視窗的行為也不會被記錄 這些事件暫存在你的Mac上 最長48小時 處理完產生的記憶是留在本機的Markdown檔 你可以自由決定要不要刪掉 另外OpenAI提醒 開了這個功能 prompt injection的風險會變高 建議你跟訊息對話先暫停收集 敏感的App也記得排除掉 Chrome瀏覽器的Claude擴充功能 現在整個換成Claude Cowork了 一分鐘告訴你差在哪裡 以前那個側邊欄叫Claude in Chrome 它是一段獨立的對話 關掉就沒了 跟你桌面版、手機版的Claude 是兩個世界 現在側邊欄裡跑的是一整個Cowork session 你的對話會存進你的帳號 所以你在瀏覽器裡開的頭 可以回到桌面版 網頁版 手機版 接著做 它在瀏覽器裡能做的事比你想的多 它看得到你現在正在看的頁面 可以幫你點連結 打字 換頁 填表單 更關鍵的是 你在Cowork裡設定好的Skills Connectors Plugins 在瀏覽器擴充功能裡也一樣能用 等於你那一整套工作流 直接搬進瀏覽器了 像是我直接請他幫我把X上面的AI更新資訊 彙整到我的Cowork裡面 接著我就可以直接在Claude編輯 是不是超方便呢 但有三個限制要先講 第一 方案限制 Max跟Team 現在就有 Pro是接下來幾周陸續開放 Enterprise版呢 預設是關閉的 要管理員針對核可的網域開放 第二 瀏覽器限制 目前只支援Chrome或Chromium核心的瀏覽器 手機還不行喔 第三 資安顧慮 這點我要特別提醒 一個能幫你點按鈕 填表單的AI在瀏覽器裡跑 代表他看得到你登錄之後的畫面 要不要讓他在你的銀行分頁 公司後台旁邊開著 這個 真的要自己想清楚 講到這裡你應該已經發現了 現在Claude ChatGPT Gemini 三家都把手伸進你的瀏覽器裡 Claude是Chrome側邊欄 跑一整個Cowork session ChatGPT那邊在Atlas瀏覽器收掉之後 路線又變了一次 Gemini則是直接長在Chrome裡面 你根本不用裝任何東西 三家的做法完全不一樣 能碰到的資料 要付的代價 誰比較適合你 差蠻多的 這個題目要講清楚 需要一整支影片的長度 所以我把「Claude ChatGPT Gemini三家瀏覽器 AI完整比較」 做成了會員影片 想看的話 點下面加入會員就可以看到喔 也是對我們最好的支持 最後看Gemini 等了三個月的旗艦3.5 Pro 還是沒來 但8月13號 Google直接端出了3.7 Flash 注意了 3.6 Flash才剛出沒幾個禮拜 而且這一版的定位非常明確 它不是給你聊天用的通用模型 而是專門給Coding Agent用的 官方文件上直接寫 Complex Coding Agentic Workflows Reliable Multi-step Execution 還特別說改善了真實世界的軟體工程 Issue解決 以及Agent卡住鬼打牆的問題 價格是這次的重頭戲 輸入每百萬Token 0.75美金 輸出3.75美金 但這個價格只到今年12月31號 明年1月1號會直接翻倍 變成1.5跟7.5美金 所以現在這段時間 它的價格是真的很有殺傷力 雖然不比其他廠的旗艦模型強 但在速度上與品質上還是蠻好的 不過有兩件事情要老實講 第一 3.7 Flash的思考Token 比3.6多了大約四成 所以跑得快不等於比較便宜 實際算下來 每個任務的成本可能沒有降那麼多 第二 評測顯示 它的幻覺率從55.6% 上升到64.5% 這個等級不建議直接拿去面對客戶 前面一定要加檢索跟防護 好的 以上就是8月AI重點更新 歡迎留言告訴我 這一輪更新 你對哪一個最有感 如果這集對你有幫助 或是覺得乾貨滿滿 歡迎利用超級感謝 或是加入會員 就是對我們最好的支持了 我們下集見
本次執行流程與問題處理
下達指令
預期流程
- 採用來源字幕（略過語音辨識）
- 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：3.4 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：36.0 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：0.1 秒
關係：依序執行
結果：完成
4. 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：0.1 秒
關係：依序執行
結果：完成
5. 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
6. 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：0.2 秒
關係：依序執行
結果：完成
7. 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：0.2 秒
關係：依序執行
結果：完成
8. 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：175.6 秒
關係：依序執行
結果：完成
9. 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：0.7 秒
關係：依序執行
結果：完成
10. 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：0.8 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
- 尚未產生
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.source.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
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。