逐字稿文字預覽
谷歌又发布了新的版本 而这次与上一代Gemini 更新的时间相差无几 甚至有些反常 当人们看到这个内容的时候 他们的第一反应大概就是 谷歌又要开始堆版本的事情了 但是你如果仔细观察Gemini 这次更新的方向的话 就会发现事情并没有那么简单 由于谷歌此次想要解决的问题并非是 如何再次创造出一个跑分第一的模型 而是更加实际的一个问题 人工智能到底要怎么做到真正的 进入到人们的日常工作当中去呢 是开发人员每天都可以愉快的使用它 并且能够让企业长久的支付费用呢 因此Gemini这次并没有把所有的注意力 集中在哪个模型更聪明的问题上 而是在逐步加强代码开发、工具使用 和复杂的任务处理等方面的工作 agent场景下稳定性、效率方面的表现 也就是说 谷歌想把Gemini从一个你 偶尔发几个问题给它的AI中 变成一个能够长久的 为你服务的主力模型 这次的变化看上去只是 对软件的一个版本升级 但是它所蕴含的意义却 远远大于参数提升本身 因为在人工智能代理真正 的投入到工作中去之后 一个任务往往要调用 模型十几遍到几十遍不等 此时人们比较的已经 不是哪一个模型最厉害呢 而会变成哪一个模型可以以较低 的成本稳定的性能完成工作呢 这样就会影响到 人工智能行业的未来竞争模式 因此今天我们这期的内容 就不再只是单纯的去聊 一下Gemini新版到底有多牛了 而是从这次更新的背 后来拆开来思考3个问题 为什么谷歌会忽然如此 重视一个不一定要追求第一 但是非常擅长做事的模型呢 在agent时代的背景下 人工智能的价格是否可以不再仅仅 以每百万个TOKEN多少钱来衡量呢 另外谷歌、Openai、Deepseek等公司 接下来又将会怎样进行竞争呢 如果能解决好这三方面的问题的话 那么你就能够发现 谷歌此次发布的新模型 并非只是单纯的创新 在于它已经提前预判到了人工智能 下一阶段最大应用场景的可能性 大家好我叫财经翻译官 本期我们从Gemini这次 的新版本发布说起 把谷歌想要抢走的东西 一层层的拆开来给你看 再说一下这次更新中 最不符合常理的部分 过去的几年里 在人工智能行业的发布会上 大家都在比的是谁能在最 困难的基准测试中拿到第一名 或者解出其他模型无法 解答的数学题和推理题 好像模型只要足够聪明 就可以一统江湖了 但是这次Gemini3.7Flash并没有 想要争夺最强大脑的称号 谷歌给自己定的位置是Workhorse model 即主力干活的模型 它并不追求在极难的问题上获得胜利 它的目标就是解决开发人员每天 都会频繁使用的各种真实的场景问题 编写业务代码 读取很长的文件 调用各种API 自动浏览网页查找资料 处理日常工作中的各项事务 这些事情并不酷炫 也不能登上科技新闻头条 但是他们是开发人员 每天都要做的80%的工作 定位的变化要比性能提高更加重要 这说明整个行业对 考核的标准发生了变化 以前人们比的是谁的回答最聪明 而现在要开始比的是 谁能用更便宜的价格 在更多的步骤中遇到错误时 能够自己纠正 重新规划路线 就如公司在招聘的时候 最聪明的大学毕业生 当然是最好的人选了 但是真正能够把日常 工作做的既快又好 不需要经常有人来收拾烂摊子的人才 才是团队中最不可或缺的核心力量 我跟很多做人工智能 应用的朋友交流过 他们之前遇到的最大 难题就是这样一个问题 很多模型跑分看起来很厉害 但是真正放到生产环境中使用 就会出现各种各样的问题 让其写出一个完整的功能 它可以帮到你遗漏了依赖包 让其修改现有的项目代码 它可以把其他正常的功能搞砸 对于需求不明确的地方 它不会提问 全部依靠自己的猜测来完成工作 并且所产出的结果也无法使用 最后开发人员还要花费更多 的精力来处理这个问题 从而降低工作效率 此次Gemini3.7Flash的出现 显然是为了应对上述问题而设计的 我们可以看一下一些 公开的基准测试数据 就可以知道它所要 提高的方向非常明确 按照Frontier Code 1.1代码基准来计算的话 在3.6版本中得分为34.4% 而在43.6% 在更加接近真实的工程 项目中进行的DEPSE 1.1测试上 从49%直接上升到65.3% WebDevArena 面向网页开发的比赛 已经上升到1,588分 用终端命令行来测试 TerminalBench 2.1的时候 得到的成绩是85.8% 最极端的情况就是Oswald 2.0 即测试人工智能控制电脑桌面的能力 该分数由原来的3.8%猛增到现在的47.9% 之前用的模型在电脑上 操作的基本都是点错按钮 开错软件的水平 现在可以独立完成 将近一半的桌面端工作 例如整理文件、使用软件、填写表格等 对于agent来说 这是实实在在的进步 但是谷歌并没有掩饰自己的缺点 在更难的TerminalBench 3.0测试中 谷歌只获得了14.9%的成绩 小于GPT-5.6terror的20.8%的情况下 在极端复杂工程任务上 并不是行业的顶尖水平 但是对于大多数 开发者日常的需求而言 它的能力已经足够使用了 并且更加懂得怎样把事情做好、做对 针对性的加强了一些在 实际开发中经常用到的能力 严格按照字面意思来执行 并且不会随意添加 一些没有被要求的功能 对于需求不明确的 地方会主动去询问 并不是自己瞎猜 当发现路径走不通 或者错误很多时 就会及时止损 不会一条路走到黑 浪费大量的时间与计算资源 这些特点在跑分中是无法体现出来的 但是真正使用的时候 体验上的差别就会很明显 讲完了性能之后 我们就来聊聊这次更新中最为 核心的一点agent时代经济学 也就是人工智能模型成本账 在算法上已经发生了变化 人们比较模型的价格时 只关心每百个TOKEN多少钱 哪个更便宜就用哪个 在之前的单轮对话中是正确的 当你提出一个问题的时候 模型就会回答一次 并且计算的非常准确 但是到了agent代理的时代之后 该算法就完全不起作用了 agent不是一次回答一个问题就结束了 而是一直的去完成一系列的任务 首先要弄清楚目标是什么 然后调动相应的工具来实现这个目标 接着读取相关的文件 编写代码并进行测试 一旦发现问题就会及时修正和重试 整个过程中可能会使用 到十几乃至几十个模型 此时衡量成本的主要指标不再 是每百万个TOKEN的价格 而变成了完成一个完整的 任务所需要的所有费用 有些模型的价格看上去很低廉 但是第一回做不正确的话 就要反复尝试几次 期间还要调用很多没有用到过的工具 最后算总账的时候 费用反而要比单个模型的价格高一些 但是只要有一次能够做到 的事情的模型就值钱多了 就比如你要请个装修工人 一个工钱便宜 但是干活粗糙 装完了还要拆掉重新安装三次 最后花费的钱和时间都比 找一个工钱稍微高一点 但是只用一次就可以 完成的工作的人要多得多 Gemini3.7Flash本次优化的重点是 提高第一次就做对的概率 降低不必要的工具使用 以及无意义的重复尝试 它不一定是最便宜的型号 但是只要能减少重试次数 那么完成同一项工作 的总成本就会降低 这才是企业用户真正关心的账单 毕竟企业在使用人工智能的时候 是为了降低成本 提高效率 并不是为了购买最低价的代币 按照这样的成本考量来分析 它所采取的价格策略的话 就可以很容易的理解 到谷歌的战略意图了 官方公布的售价为 在2026年底之前是推广价 输入TOKEN每百万0.75美元 输出TOKEN每百万3.75美元 自2027年1月1日开始实行正式价格 在上涨至1.5美元的时候 输出上涨到7.5美元 也就是翻倍 从价格上来看 它要比很多开源模型要贵一些 但是结合其性能以及 任务完成率来考量的话 其实它的性价比是非常高的 谷歌给出这样的价格 并不是依靠该模型来短期内获利 而是有两重明确的战略目的 第一项任务就是夺取 开发者默认的选择权 现在的AI开发迁移成本其实要 比人们想象中的要高一些 当开发者习惯于某 一个模型回答的方式 并且把提示词库工具链工 作流都建立在该模型之上时 就不会轻易更换其他模型了 更换一次就需要重新调整和测试 费用很高 目前谷歌采用的是接近 成本的价格进行推广 目的是为了让开发者以较 低的成本使用到产品中去 在开发者习惯之后再逐步 绑定到Gemini生态系统上来 即使到了2027年再提价 如果总的费用仍然低于竞争对手的话 大多数人是不会选择离开的 第二个目的就是夺取 企业的模型路由的主导权 稍微有点规模的企业并 不是只会使用一种模型 而是会进行分层路由 大约有5%的最复杂的最难的 任务会被交由最昂贵且能力 最强的顶级模型来处理 剩下的高频重复难度较低的 日程工作都交给性价比高 速度快、稳定性强的主要模型来完成 95%的任务中 调用量是顶级模型的几十上百倍 这才是人工智能市场的最大基础盘 Gemini3.7Flash打向的是这个市场 不会和顶级模型争夺那5%的高光场景 而是吃掉剩下的95%的高频调用 看上去单价不高 但是架不住使用次数多 细水长流的收入要比依靠顶尖的 人工智能来赚钱更有实际意义 除了模型本身之外 谷歌还拥有其他厂商所不具备的优势 那就是它自己的生态系统 而此次同步推出的新品Spark 全天候代理则是用这个牌 即使是第三方的人工智能做的最好了 也免不了有一个绕不过去的问题 它拿不到你个人上下文的信息 要让其帮助你处理邮件的话 就需要你自己把邮件的 内容导出来再上传上去 让其为你安排日程 需要自己把日程表发送给他 让其修改文档 上传文件等事情也是 一次又一次的进行 十分不便 但是Spark是由谷歌直接 开发出来的代理软件 它可以非常深入的与Gmail Google 日历、Google文档等几乎每一个 职场人使用的软件进行连接 它可以自动读取你的 邮件日程文档等信息 并且不需要你不断的 进行数据同步操作 可以直接帮助你回复邮件 安排会议、修改文档、整理资料等等 这样的用户体验是 第三方人工智能很难做到的 但是权限越高 所承担的风险也就越大 如果人工智能可以随意读取和 修改你的电子邮件文档等信息 那么一次错误的操作就会 导致重要的文件被删除 或者给客户提供错误的内容 所造成的影响要比普通 的AI胡言乱语要大得多 因此谷歌也需要做好三件事情 极高的操作透明度 让使用者知道 人工智能每一步要做什么 重要的操作要人工二次确认 例如发送电子邮件删除 文件之前都要得到你的同意 还有一整套的审计日志 所有的操作都可以被倒退回去 另外它也加入了Antigravity开发环境 把人工智能的操作放在一个可以回滚 受到控制的边界之中 即使人工智能操作出错 或者是遇到网络不稳定 验证码等现实生活中的意外情况 也可以通过一键回滚 功能回到之前的状况 并不会把你的本地环境弄垮 虽然这些细节并不酷炫 但是他们是agent真正的去面对 和解决工作中遇到的各种 问题所必须跨越的一道坎 把目光放远一些的话 目前人工智能界的三大 巨头们所走的道路已经十分明确 并且这三条道路根本就不是一回事 谷歌的Gemini3.7Flash主要卖点为 性价比、工程完成率、工具链绑定 以及全套生态入口 目的是成为整个行业的主要工作模式 并且占领最大的日常使用市场 OpenAi所走的道路是性能上限 与极速路线相结合的方式 它所推出的新一代推理服务Ultrafast 在最高峰的时候可以达到 每秒钟750个输出TOKEN的速度 就是为了消除agent 连续工作时延的问题 以前agent做任务的时候要等 它一步一步的反应出来 卡顿感很强 极速推理可以让整个 过程像真人操作一样流畅 主要针对的是高端场景以及实时交互 例如实时语音对话 实时设备控制、复杂的推理等等 对于延迟和能力上限 有较高要求的场景 而Deepseek走的是差异化的路线 V4Pro版本反而提高了售价 并且开始追求更高的毛利额 之前是以廉价替代品的身份出现的 现在则要向高附加值的产品发展了 不再进行价格战 利用一定的场景来获得收益 三条不同的道路 实际上表明了 人工智能市场的分化趋势 并且不会形成一家独大的局面 高端场景、大众市场、性价比场景等 未来的各个场景都会出现相应的玩家 而竞争也不再是简单的 谁跑分高谁赢的问题了 但是我们也应该清醒地认识到 谷歌此次的战略部署 并不是完全没有风险 在一些方面 如果没有做好 可能会对它实现目标产生影响 第一个问题就是发布的频率过快 每隔三周进行一次大的版本更新 对于普通的用户来说是一件好事 但是对于企业用户而言 兼容性测试以及维护的成本将会很高 企业把主要业务都放在API上 每次模型更新都需要 重新测试所有的功能 害怕新的版本改变了输出格式 或者功能发生变化 从而影响到线上的业务 迭代速度过快会使得保守 企业无法将关键业务流程上线 第二个问题就是跑分与 实际业务之间的差异 公开基准测试是标准的问题 但是企业的实际业务环境千变万化 有的企业有着几十年的老系统 有的企业则存在复杂的内部后端 还有一些非常奇特的边缘场景 跑分高并不意味着在这样的 环境中可以保持稳定的运行状态 在实际的企业用户的使用过程中 是否能够持久的为企业用户提供服务 则要根据实际情况来判断 第三个问题是优惠 期满之后的价格翻倍 目前低价为推广期的价格 在2,027年正式售价时会直接翻倍 到那时很多小微企业和个人 开发者的成本账都要重新算了 到时候竞品推出 性价比更高的产品的话 就会有一部分价格敏感型用户流失 第四问是关于隐私以及越权的风险 agent获得了邮箱、文档 日程等高权限之后 在一次误读误写中所造成的后果 要比普通的AI幻觉要严重得多 普通的幻觉就是说错了某句话 而高权限agent所出现的幻觉 有可能会带来实际的损失 如果这个问题处理不好的话 企业和个人用户都不敢 真的把高权限交给别人 第五个问题是 谷歌的产品线非常分散 目前Gemini有Pro Flash Ultra等版本 并且还推出了Spark代理和Antigravity 开发环境等一系列名称繁多的产品 普通的用户根本无法 分辨出哪些是哪一种产品 自己选择的话就选哪一个吧 产品的线太多 反而会使用户的挑选成本增加 说到这的时候 可能会有人联想到之前谷歌 的核心高管离职创业的事情 在那个时候 很多人都认为谷歌的 人工智能要不行了 核心的人才走了之后 后续的迭代也一定跟不上 结果才过了几个月的时间 Gemini三周发布一次新版本 迭代的速度一点都没有减缓过 反而越来越快了 这件事情实际上也是 给我们的一个警示 目前的人工智能竞争并不是 依靠少数顶尖的研究人员 单打独斗就可以做到的了
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：3.1 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：48.9 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：1.0 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：1.0 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：1.0 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：0.1 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：0.1 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：150.7 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。