WEBVTT
Kind: captions
Language: zh

00:00:00.566 --> 00:00:02.366
过去呢语音转文字呢

00:00:02.366 --> 00:00:04.700
大家都是在追求我们的一个精确度

00:00:04.700 --> 00:00:05.566
那么每个字呢

00:00:05.566 --> 00:00:07.100
都要清晰的辨识出来

00:00:07.166 --> 00:00:08.700
但是呢这在AI时代呢

00:00:08.700 --> 00:00:10.300
已经是最基本的功能了

00:00:10.466 --> 00:00:11.200
那么更重要呢

00:00:11.200 --> 00:00:13.933
反而是能不能将我们多余的词去除

00:00:13.933 --> 00:00:16.566
把内容呢整理成合适的格式等等对吧

00:00:16.666 --> 00:00:17.566
那这样之后呢

00:00:17.566 --> 00:00:20.166
我们就不用再花时间去修理

00:00:20.166 --> 00:00:21.300
直接就能用

00:00:21.300 --> 00:00:22.033
那么因此呢

00:00:22.033 --> 00:00:23.333
谷歌发布了它的

00:00:23.333 --> 00:00:25.166
新一代语音转文字模型

00:00:25.166 --> 00:00:27.700
那么就是Gemini 3.5 Transcribe

00:00:27.933 --> 00:00:29.066
那么这款模型呢

00:00:29.066 --> 00:00:31.866
它总共有四大核心的一个功能

00:00:32.566 --> 00:00:36.266
Gemini 3.5 Transcribe支持呢超过85种语言

00:00:36.266 --> 00:00:37.600
而且呢是自动侦测

00:00:37.800 --> 00:00:40.566
你不用呢事先告诉他这段录音

00:00:40.566 --> 00:00:42.300
这段语音讲的是哪个语言

00:00:42.300 --> 00:00:43.066
那么模型呢

00:00:43.066 --> 00:00:46.466
它自己会去判断区域口音跟方言

00:00:46.766 --> 00:00:49.000
那么这通常呢需要中英文

00:00:49.000 --> 00:00:50.800
夹杂的使用场景来说相当方便

00:00:50.800 --> 00:00:53.800
另外呢说话人区分呢还支持将我们的

00:00:53.800 --> 00:00:55.533
发言者自动识别

00:00:55.533 --> 00:00:58.566
可自动标识呢每段内容是由谁说的

00:00:58.766 --> 00:00:59.433
那么目前呢

00:00:59.433 --> 00:01:01.300
最多自动支支持呢

00:01:01.300 --> 00:01:02.900
最多 8 位发言者

00:01:02.933 --> 00:01:04.700
那么不过官方注明呢

00:01:04.700 --> 00:01:07.366
是3 位以上的发言者呢

00:01:07.366 --> 00:01:10.100
仍目前在实验上的一个功能

00:01:10.466 --> 00:01:11.133
那么还有一个呢

00:01:11.133 --> 00:01:12.366
就是它的一个智慧转录

00:01:12.366 --> 00:01:13.500
那么可以说是Gemini

00:01:13.500 --> 00:01:15.700
3.5transcribe的一个最大特点

00:01:15.866 --> 00:01:17.500
那么传统的语音转文字呢

00:01:17.500 --> 00:01:18.166
就是逐字转

00:01:18.166 --> 00:01:18.766
你讲什么

00:01:18.766 --> 00:01:19.633
它输出什么

00:01:19.866 --> 00:01:22.966
它包含你所有的一个口误停顿和废话

00:01:23.166 --> 00:01:24.733
Gemini 3.5 Transcribe呢

00:01:24.733 --> 00:01:25.866
多做了一层理解

00:01:25.866 --> 00:01:28.233
那么像是你说我们礼拜二见不

00:01:28.233 --> 00:01:28.933
是礼拜三

00:01:28.933 --> 00:01:29.733
那么模型呢

00:01:29.733 --> 00:01:31.666
会自动判断后面那句修正

00:01:31.733 --> 00:01:32.466
那么最后呢

00:01:32.466 --> 00:01:34.133
只留下了礼拜三

00:01:34.133 --> 00:01:36.000
那么同样的其他类似“哦”的

00:01:36.200 --> 00:01:36.900
填空音呢

00:01:36.900 --> 00:01:38.666
也会被清掉同样呢

00:01:38.666 --> 00:01:40.666
语气自然的停顿也不会被

00:01:40.666 --> 00:01:42.700
当成一个我们的一个句号

00:01:42.700 --> 00:01:43.900
断掉那么这个呢

00:01:43.900 --> 00:01:46.366
就它的一个主要的核心的大功能

00:01:46.400 --> 00:01:47.433
好那接下来呢

00:01:47.433 --> 00:01:48.600
给大家小伙伴分享

00:01:48.600 --> 00:01:50.466
一下我们如何去使用同样的

00:01:50.466 --> 00:01:52.700
我们可以在Google AI Studio里面去使用它

00:01:52.966 --> 00:01:54.133
那么关于官网上呢

00:01:54.133 --> 00:01:55.733
它其实少介绍了一个功能

00:01:55.733 --> 00:01:58.600
那么就它还有一个Share Audio from Tab

00:01:58.666 --> 00:01:59.400
那么也就说呢

00:01:59.400 --> 00:02:00.533
可以将我们浏览器上

00:02:00.533 --> 00:02:02.566
任何的这种视频画面

00:02:02.800 --> 00:02:04.900
都可以转换成实时的

00:02:04.933 --> 00:02:06.966
一个音频呢转给我们

00:02:06.966 --> 00:02:09.366
那么等会呢给大家一块体验一下

00:02:09.366 --> 00:02:10.533
这个功能呢非常方便

00:02:10.533 --> 00:02:11.500
那么我们以后

00:02:11.700 --> 00:02:13.700
如果看到的视频没有字幕什么的

00:02:13.700 --> 00:02:14.933
我们完全不用担心

00:02:14.966 --> 00:02:17.633
我们只要打开我们的免费的Google AI Studio

00:02:17.633 --> 00:02:19.833
那么切换到Gemini 3.5 的

00:02:19.833 --> 00:02:21.666
Live Translation Preview这个模型上

00:02:21.666 --> 00:02:22.700
那么在开启呢

00:02:22.700 --> 00:02:24.133
我们就可以实时的

00:02:24.133 --> 00:02:25.500
同步听到一个语音了

00:02:25.500 --> 00:02:26.966
等会给大家做个演示哈

00:02:27.033 --> 00:02:28.033
那么首先给大家说下

00:02:28.033 --> 00:02:29.566
我们如何去使用它

00:02:29.866 --> 00:02:32.633
我们呢打开我们的Google AI Studio的一个官网

00:02:32.633 --> 00:02:33.233
这个网址

00:02:33.233 --> 00:02:33.733
到时候呢

00:02:33.733 --> 00:02:34.766
放在视频下方

00:02:34.900 --> 00:02:35.966
那么打开之后呢

00:02:35.966 --> 00:02:37.466
我们点击右上角

00:02:37.633 --> 00:02:38.500
点右上角之后呢

00:02:38.500 --> 00:02:39.766
我们选择Audio

00:02:39.766 --> 00:02:40.900
选择Audio这选项

00:02:41.266 --> 00:02:43.066
那么选择这个Audio选项之后呢

00:02:43.066 --> 00:02:44.866
我们在这里选择最新的

00:02:44.866 --> 00:02:47.500
就是刚才给大家分享的Gemini 3.5

00:02:47.500 --> 00:02:49.266
Live Translation Preview这个模型

00:02:49.266 --> 00:02:50.066
我们点击这里

00:02:50.300 --> 00:02:51.133
点完之后呢

00:02:51.133 --> 00:02:53.433
我们会进入到一个这样的界面

00:02:53.433 --> 00:02:54.166
这个界面呢

00:02:54.166 --> 00:02:55.266
它支持两种模式

00:02:55.266 --> 00:02:56.133
一种是talk

00:02:56.300 --> 00:02:56.866
第二个呢

00:02:56.866 --> 00:02:58.800
就是Share Audio from Tab

00:02:59.100 --> 00:02:59.766
那么talk呢

00:02:59.766 --> 00:03:00.600
就是很简单的

00:03:00.600 --> 00:03:02.033
直接录取你当前的

00:03:02.033 --> 00:03:03.533
麦克风的一个语音

00:03:03.533 --> 00:03:04.066
也就说呢

00:03:04.066 --> 00:03:05.000
实时的转录

00:03:05.033 --> 00:03:05.800
那么第二个呢

00:03:05.800 --> 00:03:07.400
就是Share Audio from Tab

00:03:07.400 --> 00:03:08.133
那么也就说

00:03:08.133 --> 00:03:09.033
等会给大家分享了

00:03:09.033 --> 00:03:10.633
直接通过其他浏览器的

00:03:10.800 --> 00:03:11.666
标签页读取

00:03:11.666 --> 00:03:12.866
这段它的声音自动给

00:03:12.866 --> 00:03:14.066
你转成你需要语言

00:03:14.300 --> 00:03:15.233
那么往上这里呢

00:03:15.233 --> 00:03:16.033
有7种题词

00:03:16.033 --> 00:03:16.933
我们都不需要改

00:03:16.933 --> 00:03:18.100
那么下面要改的地方

00:03:18.100 --> 00:03:20.800
就是你需要转录的这个

00:03:20.800 --> 00:03:21.766
语言的

00:03:21.766 --> 00:03:22.800
你的目标语言

00:03:22.933 --> 00:03:23.900
它默认的是英文

00:03:23.900 --> 00:03:24.500
那比如说呢

00:03:24.500 --> 00:03:26.033
我现在选的是一个中文

00:03:26.100 --> 00:03:27.233
你也可以选择其他的

00:03:27.233 --> 00:03:29.066
这个呢你根据你自己的需要

00:03:29.066 --> 00:03:30.466
我们可以看到它最多呢

00:03:30.566 --> 00:03:32.233
支持85种语言

00:03:32.233 --> 00:03:34.600
那么覆盖了基本上全球的各种语言

00:03:34.666 --> 00:03:35.833
那么你就可以选择你自己的

00:03:35.833 --> 00:03:37.333
我选择一个中文简体

00:03:37.633 --> 00:03:38.633
选择中文简体

00:03:38.733 --> 00:03:39.833
选择中文简体之后呢

00:03:39.833 --> 00:03:41.233
你这里呢有两种方式

00:03:41.233 --> 00:03:42.166
第一个呢是talk

00:03:42.300 --> 00:03:43.400
如果说你想

00:03:43.566 --> 00:03:44.833
开启一个转录功能

00:03:44.833 --> 00:03:45.733
比如说整理笔记

00:03:45.733 --> 00:03:46.066
干什么的

00:03:46.066 --> 00:03:47.200
我们开启talk

00:03:47.833 --> 00:03:50.233
好我们开启talk之后好

00:03:50.266 --> 00:03:52.733
我明天呢想去公园

00:03:52.733 --> 00:03:54.000
不我后天去

00:03:58.366 --> 00:03:59.666
我大后天去公园

00:04:03.666 --> 00:04:04.500
大家可以看到

00:04:04.500 --> 00:04:06.133
它在那实时就给录出来了

00:04:06.133 --> 00:04:07.600
因为我这里呢

00:04:07.600 --> 00:04:09.600
是选择的目标语言和

00:04:10.000 --> 00:04:11.033
原来呢是一样的

00:04:11.033 --> 00:04:12.000
所以说呢

00:04:12.000 --> 00:04:14.100
它就没有进行一个翻译

00:04:14.100 --> 00:04:16.400
那么如果说你选择一个其他语言呢

00:04:16.400 --> 00:04:18.433
就可以那么这个talk呢

00:04:18.433 --> 00:04:20.200
它只是说做一些我们

00:04:20.200 --> 00:04:21.766
的一个会议的整理

00:04:21.766 --> 00:04:24.033
还是非常非常的不错的

00:04:24.266 --> 00:04:24.966
你看到没有

00:04:24.966 --> 00:04:27.133
它这呢会把一些多余的提示词呢

00:04:27.133 --> 00:04:28.400
都给去除掉

00:04:28.400 --> 00:04:30.666
那么保证它的一些啊

00:04:30.666 --> 00:04:31.333
就是多余的

00:04:31.333 --> 00:04:32.533
它保证主要的信息

00:04:32.533 --> 00:04:33.366
保存下来

00:04:33.366 --> 00:04:34.966
好那么另外一个功能呢

00:04:34.966 --> 00:04:35.866
就非常重要了

00:04:35.866 --> 00:04:38.800
就是我们的一个Share Audio from Tab

00:04:38.933 --> 00:04:39.800
那么这个功能呢

00:04:39.800 --> 00:04:42.900
就是说我们可以选择其他

00:04:42.900 --> 00:04:44.966
的Tab 页来进行一个翻译

00:04:45.233 --> 00:04:45.933
那么比如说呢

00:04:45.933 --> 00:04:47.400
我们选择一个

00:04:47.733 --> 00:04:48.800
好我们选择它

00:04:48.833 --> 00:04:49.500
选完之后呢

00:04:49.500 --> 00:04:51.366
我们选择先翻译一个

00:04:51.633 --> 00:04:53.433
YouTube上的一个新闻

00:04:53.433 --> 00:04:54.766
好我们点击分享

00:04:55.466 --> 00:04:56.266
好

00:04:56.300 --> 00:04:57.500
我们点击开始

00:05:01.033 --> 00:05:04.300
还有数百万桶的石油美国说

00:05:04.766 --> 00:05:06.066
不管你喜不喜欢

00:05:06.100 --> 00:05:08.866
这场战争显然是一系列巩固

00:05:08.866 --> 00:05:11.100
了伊朗对国家控制的行动

00:05:11.433 --> 00:05:12.833
和我一起讨论伊朗

00:05:12.866 --> 00:05:14.666
辩论的是约翰米尔斯

00:05:15.100 --> 00:05:16.033
的海默教授

00:05:16.300 --> 00:05:18.700
他是芝加哥大学的政治学教授

00:05:19.800 --> 00:05:22.200
他也是西点军校的毕业生

00:05:22.400 --> 00:05:24.566
曾在陆军服役区担任上尉

00:05:24.833 --> 00:05:26.600
他是多本著作的作者

00:05:26.633 --> 00:05:29.300
包括常规威慑和核威慑

00:05:29.633 --> 00:05:30.966
伦理学和

00:05:31.866 --> 00:05:32.966
大家可以看到没有

00:05:32.966 --> 00:05:35.033
就说呢它会实时录音

00:05:35.033 --> 00:05:36.600
把原先的这个Tab 页

00:05:36.600 --> 00:05:38.366
的这个音量呢降低

00:05:38.366 --> 00:05:40.633
然后呢把Google AI Studio

00:05:40.633 --> 00:05:42.300
的这个音量呢会提高

00:05:42.300 --> 00:05:42.933
那这样来呢

00:05:42.933 --> 00:05:45.600
就保证我们就是原始的语音呢

00:05:45.600 --> 00:05:47.300
它只会保持很小的一部分

00:05:47.300 --> 00:05:48.966
并不会影响到我们就是

00:05:48.966 --> 00:05:51.100
我们听到这个语音的清晰度对吧

00:05:51.533 --> 00:05:52.966
而且呢它会保留

00:05:52.966 --> 00:05:55.100
就是说它的语气用词

00:05:55.100 --> 00:05:57.400
比如说它的这位主持人呢

00:05:57.400 --> 00:05:58.700
它的语气用词怎么样呢

00:05:58.700 --> 00:06:00.200
它都会进行一个自动的

00:06:00.200 --> 00:06:02.100
一个语气用词的一个整理

00:06:02.100 --> 00:06:02.600
所以说呢

00:06:02.600 --> 00:06:03.733
这是非常非常

00:06:03.866 --> 00:06:05.500
我觉得非常非常厉害的部分

00:06:05.500 --> 00:06:07.566
那么刚才给大家测试的一个

00:06:07.900 --> 00:06:09.000
YouTube的对吧

00:06:09.366 --> 00:06:11.166
英语那么再给大家看一下日语

00:06:11.166 --> 00:06:12.866
日语它也是正常的识别的

00:06:12.866 --> 00:06:13.566
我们这里呢

00:06:13.566 --> 00:06:15.966
只需要选择我们的目标语言就可以了

00:06:15.966 --> 00:06:17.700
我们不需要选择它的原始语言

00:06:17.700 --> 00:06:19.966
它模型呢会自动进行一个识别

00:06:19.966 --> 00:06:21.566
好我们这时候点击这里

00:06:21.566 --> 00:06:23.300
好我们选择重新选择Tab

00:06:23.700 --> 00:06:25.366
我们选择我们选择这个

00:06:25.366 --> 00:06:26.933
日语的这个YouTube标签

00:06:26.933 --> 00:06:28.000
我们点击分享

00:06:28.466 --> 00:06:29.866
开始播放

00:06:34.400 --> 00:06:38.500
上午发布了大雨特别警报此外

00:06:38.566 --> 00:06:42.066
已经发生了泛滥的可能性很高的河流

00:06:42.200 --> 00:06:45.333
请大家务必采取保护生命的行动

00:06:45.466 --> 00:06:46.266
强烈呼吁

00:06:47.700 --> 00:06:49.066
生命面临危险

00:06:49.333 --> 00:06:52.366
所以请立即确保自身安全

00:06:53.100 --> 00:06:54.800
必须采取行动的情况

00:06:56.200 --> 00:06:57.066
大家可以看到

00:06:57.066 --> 00:06:58.900
那么这个呢也是完整的识别

00:06:58.900 --> 00:07:00.733
了我们的一个日语的情况

00:07:00.733 --> 00:07:02.133
而且呢它会每个

00:07:02.133 --> 00:07:03.733
主持人比如说是男士的发音

00:07:03.733 --> 00:07:04.533
女士的发音呢

00:07:04.533 --> 00:07:05.533
它会自动识别

00:07:05.533 --> 00:07:06.766
并且呢语气呢

00:07:06.766 --> 00:07:07.533
保持一致

00:07:07.533 --> 00:07:08.233
那么这来呢

00:07:08.233 --> 00:07:09.566
就说没有问题对吧

00:07:09.566 --> 00:07:12.666
它可以完全自动的识别原始的这个

00:07:13.000 --> 00:07:14.733
语音就是他这个什么语言

00:07:14.733 --> 00:07:15.166
他而且呢

00:07:15.166 --> 00:07:17.700
他会自动翻成你最终设置的Target Language

00:07:18.000 --> 00:07:20.066
也就说你设置最终的目标语言

00:07:20.066 --> 00:07:21.866
他能保持这个的统一度

00:07:21.866 --> 00:07:22.466
那么这个呢

00:07:22.466 --> 00:07:23.666
给大家设置的是

00:07:23.666 --> 00:07:25.866
我们的一个就是YouTube对吧

00:07:25.866 --> 00:07:26.433
那么当然了

00:07:26.433 --> 00:07:28.333
他还支持其他的一个平台

00:07:28.333 --> 00:07:30.133
那么我们还可以连接到

00:07:30.133 --> 00:07:31.500
比如说我们的哔哩哔哩

00:07:31.500 --> 00:07:32.366
也是可以的

00:07:32.566 --> 00:07:33.566
我们点击哔哩哔哩

00:07:33.633 --> 00:07:35.366
好我们试一下哔哩哔哩的英文

00:07:35.800 --> 00:07:37.166
really about focus

00:07:37.600 --> 00:07:38.600
keeping what's important

00:07:38.800 --> 00:07:39.366
and letting go of what's not

00:07:39.366 --> 00:07:40.966
其实就是关于专注

00:07:41.500 --> 00:07:43.166
把重要的东西留下来

00:07:43.300 --> 00:07:44.633
把不重要的放手

00:07:45.033 --> 00:07:48.266
没错而且我觉得当我们拥有的更少时

00:07:48.300 --> 00:07:49.666
我们能更懂得珍惜

00:07:50.233 --> 00:07:51.166
我喜欢这个

00:07:51.300 --> 00:07:52.233
拥有更少

00:07:52.300 --> 00:07:53.300
生活更多

00:07:53.300 --> 00:07:54.866
这就是今天的主题

00:07:54.966 --> 00:07:56.633
所以确实如此

00:07:57.566 --> 00:07:58.366
大家可以看到

00:07:58.366 --> 00:08:01.166
是不是它完整的支持我们的

00:08:01.166 --> 00:08:03.733
一个任何的浏览器上的网站

00:08:03.733 --> 00:08:06.166
不一定呢非要用YouTube和我们哔哩哔哩

00:08:06.200 --> 00:08:07.800
那么其实所有的音频网站呢

00:08:07.800 --> 00:08:08.733
它都是支持的

00:08:08.733 --> 00:08:11.533
并且呢它能保证保持完整

00:08:11.533 --> 00:08:13.333
的一个持续的体验

00:08:13.433 --> 00:08:15.233
这个是非常非常不错的

00:08:15.266 --> 00:08:16.700
而且呢我们每个人呢

00:08:16.700 --> 00:08:17.466
每个用户呢

00:08:17.466 --> 00:08:19.266
都可以去免费的去

00:08:19.633 --> 00:08:20.533
使用它

00:08:20.533 --> 00:08:21.833
那么其实这样来之后呢

00:08:21.833 --> 00:08:23.433
我们的这些视频啊啊

00:08:23.433 --> 00:08:24.933
要不要字幕都无所谓了

00:08:24.933 --> 00:08:26.533
因为我们有了它之后呢

00:08:26.566 --> 00:08:29.066
我们就是实时的去翻译

00:08:29.066 --> 00:08:31.266
而且呢能保证它的语气用词

00:08:31.633 --> 00:08:33.433
大概呢是非常非常的

00:08:33.433 --> 00:08:34.866
体验下来还是非常不错的

00:08:34.866 --> 00:08:35.566
那么当然呢

00:08:35.566 --> 00:08:37.633
目前它这个就是浏览器

00:08:37.933 --> 00:08:38.966
它这个测试下来呢

00:08:38.966 --> 00:08:39.766
它有一定的

00:08:40.166 --> 00:08:41.166
延迟有一定

00:08:41.166 --> 00:08:43.566
大概有延迟个五六秒

00:08:43.566 --> 00:08:46.066
十秒左右的一个语音的延迟

00:08:46.133 --> 00:08:47.033
那么这样来呢

00:08:47.033 --> 00:08:49.033
可能会有一点点的一个

00:08:49.033 --> 00:08:51.033
在看电影的时候可能会有一点点影响

00:08:51.033 --> 00:08:51.800
那我感觉呢

00:08:51.800 --> 00:08:52.366
其他的

00:08:52.366 --> 00:08:53.833
大致的影响呢

00:08:53.833 --> 00:08:54.500
应该不是很大

00:08:54.500 --> 00:08:55.333
但这样来呢

00:08:55.333 --> 00:08:57.033
就帮助我们起码来说

00:08:57.033 --> 00:08:58.733
在一个不熟悉的语言上呢

00:08:58.733 --> 00:09:01.733
我们可以通过它快速的去了解学习

00:09:01.733 --> 00:09:02.933
还是非常非常不错的

00:09:02.933 --> 00:09:03.866
好今天呢

00:09:03.866 --> 00:09:05.900
就给大家分享一个Google的Gemini

00:09:05.900 --> 00:09:08.333
3.5transcribe的一个新兴的语言模型

00:09:08.333 --> 00:09:10.700
到这里如果大家有什么问题呢

00:09:10.700 --> 00:09:13.333
欢迎在视频下方给我留言谢谢