逐字稿文字預覽
9月的第一週到底有多瘋狂啊 多家AI同時出現異常 唯一安全下莊的 居然是一直被大家唾棄的Gemini 是什麼原因讓OpenAI、Claude、Grok 這幾家大廠全軍覆沒 在這個月 各大廠又分別出了哪些招式來回擊對方呢 首先是模型升級 9月1日Claude率先推出Fable 5.1、Mythos 5.1 才隔一天Gemini就迅速推出3.8 Flash 但他們身上的目光很快就被奪走 因為9月3日 ChatGPT釋出號稱目前地表最強的AI模型 GPT-6 Astra 頓時風雲變色 而在多模態模型的賽道中 Google DeepMind推出Lyria 3.5聲音模型 另外兩個對職場上班族來說很實用的更新 ChatGPT現在 可以支援連結多組Google帳號了 代表你可以透過外掛程式 同時查詢多個帳號的Gmail Google行事曆與Google聯絡人資料 Claude則是把黑箱記憶可視化 你終於可以直接在設定內 查看到底Claude的記憶有沒有跟你對齊 在開始之前想要介紹一個超強工具 就是傳譯寶 APP 它是市面上最好用的會議記錄 AI 逐字稿完整記錄所有談話內容 並且支援 10 種以上的語言即時轉錄與翻譯 快速摘要會議記錄重點 靈活支援多種匯出格式 想學的朋友可以看這一集 感謝本集夥伴傳譯寶 AI 贊助播出 現在正片馬上開始 如果AI圈是一部BL輕小說 封面標題就叫做 《表面上是死對頭的我們， 背地裡糾纏在一起》 這幾家美國AI公司 表面上鬥得你死我活 但私底下卻是互相依存 甚至進階到願意一起殉情的關係 咳咳 扯遠了 美西時間9月3號早上六點半開始 Grok、Claude相繼出現模型異常的狀況 後續到了七點多 就連ChatGPT都淪陷了 根據DownDetector的統計 這次大當機OpenAI受傷最重 光是回報就超過4萬件 從對話、登入、桌面版，到程式碼編輯 圖片生成幾乎全部中鏢 Anthropic這邊 官方說明是Mythos、Fable 5.1、Opus 4.6 三款模型受影響比較明顯 回報大概落在1500件左右 Grok的影響狀況跟Claude差不多 但到底為什麼會同時掛掉呢？ SpaceX AI事後坦承 是自家在美國孟菲斯的計算中心出包了 這裡剛好就是Grok的超級電腦 Colossus所在地 更關鍵的是 Anthropic今年5月才剛跟xAI簽了一筆 算力租賃合約 承租的正是同一座孟菲斯機房 所以意外被牽連 OpenAI的官方說法則是路由錯誤 也就是發派任務的機制失效 並沒有證據顯示跟孟菲斯機房有直接關係 呃… 比較像是前兩家掛掉後 用戶和自動化系統大量湧向ChatGPT 二次流量衝擊導致的連鎖故障 Gemini則因為使用自家TPU 還有機房沒有這層共用關係 這段時間除了零星的錯誤 並沒有造成大規模的當機 這該說Gemini穩定呢？ 還是大家死都不用Gemini？ 如果把算力供應商 與AI新創公司的關係攤開來看 微軟、亞馬遜、Google三家 同時是OpenAI與Anthropic的雲端房東 也直接持有他們的股份或是參與融資 Nvidia則幾乎是每一間機房的晶片供應商 同時也投資了OpenAI、CoreWeave這些公司 這些品牌名義上互相競爭 但實際上背後的資金跟算力 幾乎是同一批人在背後撐著 所以接下來的大當機會不會更嚴重啊？ 老實說機率只會高 對一般使用者跟中小企業來說 實際的建議是 不要把工作流程押寶在單一AI服務上 重要的工作最好 準備至少一個備援的AI工具或本地端方案 如果你是企業採購 合約裡除了問「你們用哪家雲端」 更要問你們的機房實際在哪裡 跟你們的競爭對手是不是共用一個園區 以免自以為做好分散風險 但實際上還是在同一個資料中心 天啊 這個模型理解力真的太強了 我只是很隨興的說 「我不太知道我想要什麼 我想要一隻貓 可愛的貓 嗯… Furry 那種 你懂我在說什麼吧」 結果新一代的GPT-6 Astra 直接就抓到了一種 帶點擬人 神情比較嫵媚 這其實是特定小眾圈子喜歡生成的圖片 我們把同樣的指令丟給Grok Gemini 都只會給你那種可愛療癒 乾乾淨淨的卡通貓插畫 完全抓不到這麼細膩的味道 快速回顧精彩的第一週 9月1號 Claude搶先推出Fable 5.1 和限量的Mythos 5.1 隔天9月2號 Gemini馬上端出3.8 Flash 和資安專用的3.8 Flash Cyber 結果才過一天 9月3號 ChatGPT直接甩出這顆重磅炸彈 一次把前面兩家的熱度全部蓋過去 OpenAI自豪的說 這是目前「最聰明、最能理解人類意圖 任務與界限」的模型 主要定位在電腦操作 瀏覽 軟體工程 科學研究這類專業工作 第二個測試是分鏡 我用口述的方式 講了片頭動畫的故事 請Astra幫我拆解成分鏡圖 結果他不只把鏡頭切得很細 甚至連鏡頭跟鏡頭之間的銜接 前後鏡的邏輯 都幫我考慮進去了 整個過程我大概只需要 另外請他補幾顆特寫鏡頭 其他 幾乎是一次就完成 完全不需要來回修改 快速總結GPT-6 Astra 更新亮點 第一 非同步工具呼叫 以前AI呼叫工具查資料的時候 只能乾等 現在等資料的同時 他可以先做別的事 比如說查資料的工具還在跑 Astra可以 先把不需要那份資料的影片架構整理好 等資料回來再接著整合 速度更快 第二 工作途中調整方向 例如他正在幫你寫腳本 你突然補一句 「改成給完全沒用過AI的人看 」他能接著調整 而且已經寫好的部分會保留下來 不用整個重來 第三 途中調整思考程度 例如請他比較幾個工具的差異時 他可以慢慢仔細分析 下一句只是改個標題 就把思考程度降下來 他還能依任務調整思考程度 並在條件符合時重用快取 第四 失準監測 系統會在背景 留意模型有沒有偏離該有的行為 必要時觸發警報 不過這裡要講清楚 它是安全監測機制 不代表每個答案都會經過事實查核 保證正確 關於資訊的正確性 還是要反覆再三確認 那如果你也想上手Astra 這裡分享幾個實測後歸納的使用建議 第一 不要只丟一句話就期待他自己猜 建議把你的目標、必要條件、交付格式講清楚 並且在指令有限度地下放自主權 例如：「資訊足夠時 請自行做合理判斷並完成工作 只有缺少的資訊會實質改變結果時才問我。」 另外 很多使用心得都提到 趁這次升級 順便重新整理一下你的記憶設定吧 把過時或不需要的內容清掉 讓Astra參考的東西更乾淨 另外 如果你想學習更多AI新知識 增加你的AI即戰力 歡迎加入我們「實戰生會員」 9月17號將有一場精實的直播活動 邀請軟體業資深人資主管 鄭智維 Wesley 來現場分享AI時代如何透過系統 找到下一個AI時代的人才 現在就點擊下方加入 成為我們的一員 這段磅礡、充滿層次 堪稱電影配樂等級的交響樂 居然是AI生成的 它是Google DeepMind最新的音樂模型 Lyria 3.5 這次大幅度更新 最長可以生成三分鐘完整的曲子 並且針對旋律結構 歌詞內容 跟人聲的情感表現 都全面升級 甚至可以支援匯入音樂軟體後 直接分軌 匯出人聲、伴奏、鼓組等軌道 方便你丟進傳統的音樂剪輯軟體繼續加工 另外 所有生成的曲目 都會用SynthID技術 加上人耳聽不到的浮水印 方便日後辨識是不是AI生成 過去大家對Lyria系統的印象是 嗯… 「音質很好 但人聲很弱」 而人聲的表現力 一直是專業音樂生成AI Suno最大的護城河 這次3.5版本 就是直接衝著人聲這個弱點來的 因此 我們實測生成了兩首曲子 第一首 我給的方向是台灣年輕女生 唱的是台北圓山花博的週末夜生活 在市集喝啤酒 隨著節奏跳舞 最後獨自躺在大草皮上看星空 編曲要明快歡樂 但唱腔要帶著強顏歡笑的酸澀 讓伴奏跟人聲 形成明顯的情緒落差 成果就是大家現在聽到的這一段 第一版的問題是太老派 不管編曲還是唱腔 都偏向用丹田撐出厚度的唱法 比較不是這個時代流行的風格 所以第二個版本 請他把編曲調得更青春 唱腔也不要那麼厚 改成更甜、更輕盈、更稚嫩的女生 兩個版本比較下來 人聲的細節其實都處理得不錯 像轉音、氣音都聽得出層次 大家可以特別注意這幾個地方 這次3.5版本的進化 讓不少玩家開始討論 「Suno是不是要被取代了」 如果你也是AI音樂的玩家 你會喜歡Suno還是Lyria 3.5呢？ 留言告訴我 一分鐘帶你認識Claude跟ChatGPT 兩個對上班族來說很實用的小更新 第一個是8月28號上線的功能 現在ChatGPT 可以同時連接多組Gmail、Google 行事曆 Google 聯絡人 等於你的私人帳號跟公司帳號 都可以在同一個對話裡直接呼叫 「幫我查看這兩個帳號的最新郵件」 「查詢公司行事曆跟私人行事曆 有沒有活動衝突」 設定方式也超簡單 你只要到設定找到外掛程式中的Gmail 往下滑就可以發現現在有新增帳號的區域 把你想連結的信箱加上去就好 第二個是Claude的記憶可視化功能 只是很多人不知道要去哪裡看 你可以進到設定裡的記憶 所有記憶都會以主題形式列出來 「包括你的哪些偏好 身份和說話習慣」 覺得記錯了也可以自己刪掉或修改 不用再擔心他的記憶是個黑箱 這次還多了一個敏感主題的開關 像健康、信念這類話題預設不會被記起來 好的 這集真的實測花了很多時間 如果你喜歡這集的內容 或是加入實戰生會員一起深度學習 歡迎留言告訴我 最後記得訂閱 開啟通知 我們下一集見
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：42.7 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：0.7 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：0.8 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：0.8 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：0.8 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：0.9 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：85.3 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：0.4 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
- 逐字稿可先使用，但有待校正清單
segment=39 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。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。