逐字稿文字預覽
大家好,最近一個名為Dark Bloom的項目,熱度驟增。它可以把許多閒置的Mac設備連成一個算力網絡。有人就把一台M5Mac 128GB內存的Mac進入了Dark Bloom,24小時內處理了13000多個請求,賺到了4.11美元,並且體現成功。至於電費,大約賺到收入的5%以及磨損其實都構不成問題。也就是說,在你桌上的Mac不用的時候,它可以替別人跑AI,順帶賺點錢。 至少前沿模型的訂閱費就有了。這個由Icon Labs推出的分布式AI推理網絡,機制大概有這幾步。首先,開發者發起請求,Dark Bloom的調度中心負責挑一台合適的Mac,把這個請求加密發過去。Mac本地用MLX運行開運模型,再將結果加密返回。這個項目疊加了Secure Enclave,Secure Boot,還有設備認證,簽名程序,內存隔離等Apple的安全機制。 嚴格來說,雖然中央調度方仍然存在信任邊界,不是絕對的端了端加密,但它比一般重包算力認真的多。 Dark Bloom的成長速度非常快,今年4月上線,6月介入OpenRouter,7月初單日Token突破10億,7月底重購MLX的連續Batching Prefail速度提升3-4倍,到8月成為了OpenRouter的付費Provider。 今天最新數據顯示,Dark Bloom已經介入1380台機器,網絡聚合內存123.2TB,AR2大約是22.2萬美元,實現一周翻倍。 當然它的提升空間還是很大的,比如峰值利用率為15%,說明願意賣算力的機器比較多,而真實付費需求還沒有完全跟上。 另外,收益分佈其實並不均勻,比如前面說的那台M5Max,它一天是賺了4.11美元,同時還有另一台M324GB的Mac,是在8個小時內一個任務都沒有接到的。 所以也許調度它更偏向高內存,認證狀態好的機器。 再者,它的延遲、穩定性還有知識模型數量等,勢必會繼續完善。 上周末,剛看到這個項目的時候,想起幾年前有研究過分佈式計算,Distributed Computing,而YouTuber Matthew Burman就這樣找到, Dart Bloom稱為數據中心殺手。 他說, Just imagine we have a million of these nodes set up, That is major inference power that anybody can tap into at a fraction of the price of going to an open AI or an anthropic, and it's completely distributed,it's completely built by regular people。 當推理需求暴漲,而開源模型、MOE和電話技術等,又正好把一部分能力壓到了Mac、工作站還有AIPC這類邊緣設備上, 那麼原本散落在千家萬戶的沉睡算力,就有了被組織成公共基礎設施的可能。 數據中心仍會守住訓練和高并發推理,但那些隱私敏感突發的常委的成本敏感的推理需求,完全可以流向一張有可驗證邊緣設備組成的網路。 最後介紹一下DarkGloom的核心開發者Gajesh,他7歲開始寫代碼,10歲給創業公司做聊天機器人, 13歲創建了一個基於區塊鏈的加密貨幣理財管理工具,資產管理規模一度達到700萬美元,15歲加入EigenLabs, 今年Gajesh干滿18歲,致力於打造開放網絡,加速開放智能。 這期節目就到這裡,Thanks for listening! 我是Kyoli,Thanks for listening!
本次執行流程與問題處理
下達指令
預期流程
- 自動字幕優先，Whisper 作為備援
- 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：19.2 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：36.1 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：0.1 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：0.2 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：0.2 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：0.2 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：0.3 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：0.3 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：0.3 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：79.8 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：0.9 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：1.0 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=69 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；segment=71 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。