逐字稿文字預覽
Dipsic Flash 從4.0到4.1的進化程度堪比去年Cloud Ops 4.5到4.6就這麼誇張。第一它更快了,它的回復速度明顯提升了。第二它更強了,它是個小模型,但是能力超過了上一代的V4 Pro。我們看一下這個圖,可以看到在Terminal Bank 3.0里,它超過了KMI K3和GLM 5.3。要知道模型的主要工作環境就是在終端里,所以這項測試非常有意義。然後在其他三個測試里,它甚至超過了OPS 5和GPT 5.6 Soul。 而且不僅如此,它還更便宜了。它的輸入價格相對於V4 Flash 降了60%。我們先看一下我測的任務,然後我再說一下這一波它為什麼提升這麼大。主要得益於它的新架構。這個是我用兩輪對話讓它做的一個之前很火的一個遊戲。可以看到它完成的很好,我現在是在控制人物在行動。可以看到這裡我還可以去攻擊敵人。OK,這裡就被Clear掉了。然後來到了第二關。 整個效果我覺得非常非常棒。基本上沒有什麼Bug。 然後我用一段提示詞讓它附現了一下遊戲王的卡片。 當我們不斷旋轉卡片的時候,它這個流光也是在不斷的變化。 然後下面還可以調這個輻射的強度。我們可以調的很高。 可以把它調眉。 調眉之後就只有這個光的反射。你可以看到當我把卡片旋轉到一定角度,是可以看見這個人物的一個輪廓的。 這個細節還原的非常好。其實還有一些別的角色。整體效果也非常棒。然後這個主體也是可以縮放的。包括深度。 我感覺用這個模型去做一些輕度任務、中度任務都非常非常好。而且它的生成的速度很快。好,我們詳細看一下這個模型這次用的一個新架構。 它在這裡說的這個新架構有一些不容易懂。我用一個比較容易懂的邏輯來講一下。是這樣的。你就想像模型工作的時候,一般分為讀體和答體。 這兩個步驟。第一個步驟,獨體的時候,每個字都要進入它所有的神經網絡。如果有1萬個字,這1萬個字都得從這40層裡面走一遍。 而且每一層神經網絡走完之後,它不是走完就完了。而是它要把每一個字記住。把這1萬個字全部都走完記住完之後,模型才開始輸出文字。 然後輸出的每一個文字也會走完這40層神經網絡。現在DeepSick這個新架構,就是在獨體的時候可以不用走完這40層神經網絡。它只要走完前20層就行了。那後面20層就直接把前20層的記錄。 那後面20層就直接把前20層的記錄,直接翻譯成自己的就行。這樣的話,成本就直接少了一半。 那為什麼這樣可以呢?因為後面的20層神經網絡從剛開始訓練的時候,它就是這麼訓練的。它從誕生起就幹了這個活。那為什麼不直接把39層神經網絡都這麼訓練,只留一層讀動就可以了。 那首先是因為前20層每一層都把前一層的理解再加工一遍,到了第二層。那這份理解已經經過了20道工序,就已經夠深了。如果只有一層那還是太淺了,模型還是沒有把這個題目給內化。 而且說實話,翻譯過來的內容和自己寫的相比肯定還是有損失。但實測下來性能和老做法是差不多的。 微軟之前也驗證了這條路。Deepseek這次是放大了做,但報告自己也承認,在極端情況下的編輯也還沒有完全摸清。 然後簡單總結一下為什麼獨體省一半這麼有意義。因為現在AI幹的活是讀的多寫的少。它一次可能讀幾萬字,但是它回復可能就幾百字。 所以讀題省了一半,速度就會快一大截。然後官方說明的第二點是,它有更少的緩存也更省成本。那這一點是怎麼理解呢? 就我們剛剛說到模型讀題就是記筆記嘛。那答題就是翻筆記。那這份筆記就叫做KVCatcher。那這份筆記佔的空間就要你付錢。 Deepseek這次是把每個字的筆記縮到了上一代的四分之一。所以你就能聊更長的內容,花更少的錢。 如果你接著上次的聊,筆記就會直接從硬盤裡拿出來,就不用重新讀一遍了。那這份筆記就縮到了八分之一。 這就是這次Deepseek V4.1 Flash它更快又更便宜的一個底層邏輯。 好,我是達斯海,我會一直分享一些有用有價值的AI內容。如果你覺得這期有用,那我們下次再見。
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：15.6 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：37.4 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：0.5 秒
關係：依序執行
結果：完成
4. 句子密度平衡
工具：videonote_balance_sentence_units.py
處理：平衡句子長度與密度
產出：sentence_units.json（句子單元）
耗時：0.5 秒
關係：依序執行
結果：完成
5. 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：0.5 秒
關係：依序執行
結果：完成
6. 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：0.6 秒
關係：依序執行
結果：完成
7. 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：0.6 秒
關係：依序執行
結果：完成
8. 逐字稿交叉檢查
工具：videonote_cross_check_transcript.py
處理：交叉檢查逐字稿與來源字幕
產出：transcript_crosscheck_report.json（交叉檢查）
耗時：0.6 秒
關係：依序執行
結果：完成
9. 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：0.7 秒
關係：依序執行
結果：完成
10. 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：70.6 秒
關係：依序執行
結果：完成
11. 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
12. 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
- 尚未產生
自動來源字幕
Whisper 字幕
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.whisper.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=41 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。