逐字稿文字預覽
你知道Google Gemini 近期推出了一個超級強的 影音生成模型 Gemini Omni 還有一個專門為影音編輯的平臺 Flow 這兩個工具可以讓你一夜 直接從有想法 但不會拍片剪片的小白 直接一躍成為自媒體大神 今天這集我們要一次性的 教你如何正確的使用 這些功能還有工具 同時我也會demo 幾個不同的影片成品給你做參考 話不多說我們直接開始吧 你是不是也遇過 AI生成一個鏡頭很快 剪一支影片就出事 第一幕主角長這個樣子 下一幕突然間換臉 上一支好不容易定了風格 下一支又從零開始摸索 分鏡生完節奏跟字幕卻對不上 AI影片真正難的 其實是角色風格 有沒有辦法去維持一致 因為做錯了是不能直接改的 這也是 oiioii. ai 跟一般的影片生成 輸入提示詞等成片的這些工具 不太一樣的地方 我們感謝今天影片的贊助商 這個AI動畫Agent創作平臺 把風格角色還有修改流程接在一起 還有一個功能叫做Skill Maker 假設你每個禮拜 幫品牌做了各種各樣的Short 第一支定了風格 第二支換了主題之後 那你只要把第一支的參考影片放進去 它會去分析你的視覺風格 剪輯節奏還有畫面的結構 拆成可重複使用的動畫Skill 做同系列影片 再次不用從零開始研究 也不會每一支都像不同頻道做的 再來是Character Consistency 同一個主角從辦公室走到街上 很多AI工具換了場景臉型還有髮型 甚至衣服就變了 剛剛你有看到吧 oiioii. ai 會盡可能的讓角色跨場景 跨分鏡維持一致 直接處理剛剛說的 角色變臉的這個問題 我自己最喜歡的是 它不是丟一個東西出來 然後就結束了 這些角色場景分鏡還有動畫聲 這整個過程你都可以持續的去做調整 不用整支重做 那新的MV Agent也是一樣 只要你有新歌或者是歌詞 AI能夠去幫你理解音樂的氛圍 從故事 分鏡到完整的MV 副歌畫面不夠有力 字幕時間不對 分鏡跟字幕都還能夠再去做微調 好風格節奏不一致 也可以在製作過程中 持續不斷的做調整 所以如果你有在做Short 或者是動畫或者是MV 或者是品牌公司的這個短影音 可以考慮一下玩一下 oiioii. ai 資訊欄有我的這個專屬的邀請連結 那透過連結註冊 還可以拿到額外的創作點說 好那我們回到教學影片吧 那你要怎麼樣打開Gemini Omni呢 首先來到Google的首頁 這大家應該很熟悉 在右上角這個地方找到Gemini 然後Gemini的網頁版應用程式進來之後 點選加號裡面有一個叫做建立影片 它這邊有很多的這些內建的這些 各種各式各樣的這個影片的風格 那說實話Gemini 我覺得最特別的是它在 物理世界的理解 還有它能夠一次生成 包含背景配樂 或者是人物口白等等這些東西 那以前的影片模型它可能只能處理畫面 但是聲音你要另外處理 那Omni 呢 它就是能夠把這一切都可以融合在一起 比如說彈出式卡片這個東西 我的頻道那個 AJ已經突破 2. 5萬人訂閱 然後我非常開心 影片你可以調整比例 我們就不要動它 那如果選模型的話 建議就是如果有Pro就選Pro 沒有Pro你就選Flash 那最近是3. 7Flash剛出 我們來試試看 3. 7 Flash 延伸式卡片開一下 那反正免費帳號跟付費帳號 通常是額度的差別 反正就有什麼按什麼 就都可以試試看 OK好我們就按送出 那我們就來看一下這支影片吧 點一下 10秒鐘短短的 文字的一致性 還有這個立體卡片的設計的真實性 我覺得處理的還不錯 然後它有吃到YouTube的這個Logo 但是這個 Tube 好像有一些問題 所以還行 好那這一張 我們用我的照片生成一支 呼籲螢幕前面的觀眾 趕快訂閱那個AJ的頻道 講繁體中文 用臺灣口音背景換成一個專業的攝影棚 保持我的臉部一致 好那這一次我們來用一個直式的影片 然後用 3. 7 Flash 思考延伸 送出 趕快訂閱 那個AJ的頻道 開啟小鈴鐺AJ的頻道 開啟小鈴鐺才不會錯過任何精彩影片 現在就點下去吧 那你看到口音是個問題 但是我也沒有跟他講說要講什麼口白 所以他就自己幫我寫了一些口白 那我就有點拗口 但是只要你加上一些口白 你就可以再去控制他 講一些什麼樣的話的內容 那接下來我們來測試一個完整的 Prompt 自動在8到10秒 採用單一連續鏡頭拍攝的電影風格影片 夜晚的臺灣傳統夜市攤位 正在煎蚵仔煎 攝影機從中景慢慢往前推 特寫在蚵仔煎跟女子的雙手 燈光是攤位的溫暖鎢絲燈光 混合霓虹跟冷色反射 使用淺景深聲音設計後有煎油的滋滋聲 人群的交談聲 細雨聲還有背景中輕柔的臺灣街頭音樂 不要出現對白 風格是照片集寫時帶有電影的顆粒感 每秒24格的電影觀感 確保招牌上的中文字都正確清晰可讀 這次我們來試試看3. 1 Pro好了 不留照片給它 那我們就來看看它的這個想像力 好啦那經過了一些時間 我們就獲得了一個看起來不錯喔 寧夏夜市是吧 OK 蚵仔的特寫非常的好 看起來很誘人 那可是呢生成完畢之後呢 我們就看到下面這個訊息啦 您的影片額度已用完 在9月幾號的JS時間會恢復 那現在這個Google Gemini 基本上它之前是講說 一天只有大概三支左右的這個影片的額度 但是我覺得這個額度會隨著模型 或者是隨著平臺的一些後端算力的這個成長 所以可能會有一些變化 那但是我自己抓啦 就是免費帳號 我覺得大概一兩支可能就沒有了 甚至可能有些免費帳號 如果大家在用的時候甚至 會沒有額度可以使用 那如果你要更多 那就是升級到尊榮的AI Ultra 一個月3300 或者是你就要去使用比如說AI Studio 去透過API 或者是一些其他的這個儲值的方式 來去使用影片的這個生成 好那第二個Demo呢 我們要來去測試一下這個Gemini Harmony 官方強調一個重點叫做 連續式的影片修正 簡單的講法 就是 你可以叫AI 幫你做一些影片的剪輯啊 調整啦 那實際上我們來試試看 比如說呢給它一個8秒連續鏡頭 位於燈光昏暗的現代客廳 一顆球漂浮在一個張開的手掌上方 等等等等 然後呢一樣我們開啟影片創作模式 然後呢Pro橫向送出 有 效果還不錯 好但是我們要來測試一下它這個 持續修正跟調整的能力 將燈光進一步調暗 讓玻璃球呈現90%的透明度 如同透明水晶 保持內部的反射折射效果 背景仍能持續的透過球體看見 保持完全相同的手部姿勢跟物理效果 這樣 好像有暗一些但又亮回來了 嗯所以把背景調整成這個霓虹燈光工作室 其他內容保持一致 哎呦 工作室還有燈光有出來哦 所以Gemini Omni官方呢 它其實強調 就是當你今天在生成這些影片的時候 但是如果影片生成的內容你不太滿意 你是可以透過這個持續不斷的給提示詞 要求AI去做這些影片的內容的 這個調整跟修正 影片也可以作為影片提示詞 所以我們把剛剛在佐阿禎的這個夜市的影片 傳上去跟AI說呢 哎根據上傳的影片 然後來去調整一下這個影片的視覺風格 要改成日本動漫風 還有摺紙藝術風 還有黏土動畫風 然後結果呢 大概像這樣 哎呦 哎呦 哎呦 那我們這樣子一次生成一支影片 然後在那邊調來調去 這時候你會覺得說 嗯那有沒有辦法一次呢 讓它生成多支影片 然後去建構一個這個工作流 Google Labs裡面 有一個新的這個測試中的工具 叫做Google Flow 那這個工具就可以解決 各位剛剛遇到的這個問題 好那我們進來這個 Google Flow的這個頁面裡面 你會跟他說哎這個 Create with Google Flow 然後用你的帳號登錄 那這時候呢你就可以來新建項目一下了 好 那進來Google Flow的這個操作畫面之後呢？ 最重要的事情就是要去按一下角色 那這個部分他有一些內建的這個角色 不過你也可以自己去上傳一些你自己的圖片 或者是你喜歡的一些角色的圖片 不過當然還是要注意一下版權的相關的問題 那比如說我這邊就點一下上傳 他就會確認說 哎確保你對上傳圖片有必要的權利 好我同意 好那這個角色圖呢 儘量給他一些比較完整的一些畫面 不要只有一張臉啊 或是只有半身 所以你可以給他一些正面啊 側面啊背面啊等等這些東西 那這個角色生成的提示圖 我們在影片下面留言會放 我們要去描述角色的形容方式 他是一個28歲左右的臺灣男性叫 John 然後個性萬象親切有感染力 面對鏡頭自然活潑等等等等 這邊你可以去選擇他的語音 好那這邊就會有一些 Hi there 好那我們就選一個這個角色 那旁邊這個對話視窗呢 你就可以去說 哎你要他講什麼話 然後呢你可以做一些自定義聲音的效果 比如說我們可以請他講繁體中文 老姚臺灣口音 我們測過了如果沒有去加臺灣口音的話 可能會聽起來有點像ABC那種感覺 或者是像普通話的那種感覺 所以會建議你可能要試一下不同的模型 然後去加一些 客製化提示詞來去測試一下 哪一個聲音是你自己比較喜歡的那種聲音 好了那設定好之後呢 我們就可以按一下預覽 你好請記得訂閱我的頻道 然後呢我們就可以把它保存下來 好添加到角色 所以呢我們就自己做了一個 繁體中文臺灣口音的這個JON的聲音 那右邊的這個地方呢 是你可以去微調你的這一張這個角色 他當然就是會去動用像 nano banana 2 或者是你可以選nano banana pro 這樣的一個模型來去更改你的圖片 不過圖片我們剛已經做好了 所以不用在這個地方做 所以如果沒問題就直接按完成 這樣子角色就搞定了 接下來我們就要來去 用這個角色去生成我們要的畫面素材 比如說呢我們的提示詞 在黃金時刻站在一個極簡的廚房裡 啊是誰呢 我們要用小老鼠 然後就可以選我們剛剛 創建的這個角色的人物 然後添加到提示詞 所以有一個John 的角色 在黃金時刻站在這個廚房裡面 照片及寫實風格 那右邊的這個地方呢 你可以去做一些相關的這個設定的調整 那因為我們不是要生成圖片嘛 我們要生成影片 那影片的部分呢 我們要生成的是16比9橫式 然後我們選Gemini Omni 的這個 Flash 模型 然後選秒數 然後下面這個1 2 3 4 那個控制它一次生成幾個素材 那當然有比較你可以選擇嘛 所以通常我們會建議選2 然後沒問題 然後我們就會耗掉點數 然後就可以按送出 好啦那經過了一些點數的消耗呢 總之我們就生成了一些這個可用的素材 你可以稍微預覽一下這個素材 那沒有什麼太大問題 然後角色一致性也處理的很好 衣服也還是同一件 然後這時候我們就可以在右上角這地方 按一下加號 然後來去創建一個場景 那在這個場景裡面呢 你就可以把剛剛的這個角色把它放進來 就可以把剛剛的角色放進來 OK好我們就把這樣的素材放進來之後呢 你就可以在這邊做一些簡單的預覽 然後去做這樣的一個素材的這個剪接 然後右邊可以按一個加號 把這個更多的這些片段把它放進 來到這個場景裡面 但是呢這個素材的一致性 我們剛剛在下Prom的時候 沒有針對它的那個咖啡杯 去下這樣的一個提示詞去框線它 第二素材跟第三素材的杯子 儼然看起來就是有點不太一樣 所以你看三個場景有三個杯子 所以你在提示的部分可能要去做 一些後續的這個微調 那看了一下沒問題 你就可以把它按一下下載 它就可以去把整個場景去導出 就變成一支影片 而不是一些片段的這個影片素材 所以這個剪輯的部分 說實話你可以自己處理就好了 不一定要在這個上面去做處理 在這上面處理的好處就是 如果你需要針對這個素材去做一些後續的 OMNI的這個生成的這個微調 你可以在這個地方直接再繼續啟用 OMNI Flash 然後繼續扣點數 然後繼續去做這樣的一個素材的這個修正 這個懶人包的指令 我們也會放在這個影片說明欄這邊 那以上本集影片呢 我們還是要非常的感謝這個 oiioii. ai 他們來提供我們一些相關的這個AI 生成的額度 那我相信 它都會做得比這個Google原版的這個 影片生成編輯的畫面還要更加的細緻 每一個平臺都會有它的這個優勢的這個地方 那今天的影片就到這個地方 下支影片再見囉 拜拜
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：4.2 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：30.0 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：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：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：0.1 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：0.2 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：110.2 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：0.3 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：0.3 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
目前待解決問題與初步改善方向
- ⚠️ 全文快速校讀：已套用暫定修正，請確認
segment=31 已先套用暫定修正：我們感謝今天影片的贊助乾爹 → 我們感謝今天影片的贊助商；segment=109 已先套用暫定修正：3.7Flash延伸式卡開一下 → 3.7 Flash 延伸式卡片開一下；segment=122 已先套用暫定修正：但是這個Tube好像有一些問題 → 但是這個 Tube 好像有一些問題；segment=132 已先套用暫定修正：然後用3.7複雜思考延伸 → 然後用 3.7 Flash 思考延伸；segment=132 待確認：「複雜思考」應為 Gemini 模型名稱「Flash」或「Thinking」相關功能之誤聽。前文107提到「3.7 Flash」，此處應為選擇模型或功能。；暫定：然後用 3.7 Flash 思考延伸；segment=309 待確認：「nano banana 2」非已知模型名稱，可能為「Nano Banana」或特定內部模型/工具名稱之誤聽，需確認。；暫定：他當然就是會去動用像 nano banana 2；segment=31 待確認：用詞突兀，不符合一般贊助介紹語境；暫定：我們感謝今天影片的贊助乾爹；segment=109 待確認：詞組斷裂，語意不清；暫定：3.7Flash延伸式卡開一下
- 逐字稿可先使用，但有待校正清單
segment=132 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對；segment=309 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對；segment=31 rapid_semantic_review: 上下文為介紹贊助單位 oiioii.ai；segment=109 rapid_semantic_review: 前文00:03:06標題為「彈出式卡片」；segment=174 rapid_semantic_review: 上下文為討論額度恢復時間；segment=231 rapid_semantic_review: 上下文149-159描述「夜市攤位」；segment=292 rapid_semantic_review: 上下文為設定聲音口音
- 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。