逐字稿文字預覽
上个月,GigHub上出现了一个中文项目,12天拿了4200个star,紧接着登顶GigHub趋势榜全球第一。 我第一反应是不信。提示词合集能有什么搞头? GigHub上这类仓库没有1000也有800。结果它现在18000多star,还在涨。 这期视频我们就来拆这个项目。 它叫Awesome GPT Image 2 作者网名仓和 自我定位是Prompt as Code 提示词及代码 官方描述写着 GPT Image 2工业级提示词引擎与模板库 530多个案例逆向工程 20多套工业级模板 还提炼出了Agent Skill 它做的买卖 一句话能说清 把散落在社区里的GPT Image 2出图咒语 逆向拆解再改写 重新打包成可以填空 可以复用 可以为给自动化流程的结构化资产 要理解这东西为什么能活 得先从它脚底下那个模型说起 今年4月21号 OpenAI发布了GPT Image 2 官方叫法式ChatGPT Images 2.0 这个模型有三个变化 直接决定了提示词工程的价值 第一个 它是第一个内置原生推理的图像模型 以前的图像模型 你给它一段描述 它边理解边画 理解到哪画到哪 GPT Image 二把O系列的推理能力塞进了生成流程 先想清楚布局 层级 逻辑关系 再动笔 复杂信息图直接受益 这是质变 第二个 文字渲染 以前AI画图最丢人的就是文字 海报上的标语 信息图里的数据 一出来就是鬼话符 GPT Image 二官方给出的数字 文字准确率从90%提到99% 还支持多语言 中文海报 标题正文都能写对 我后来拿一张它的案例图 为给实图模型检查 对面回了句这张信息图 应该是设计师用专业工具画的 它是AI生成的 第三个 分辨率最高到2K 物理仿真和人物一致性也有提升 同一天 OpenAI宣布Dolee全面退役 这三条加起来 意味着AI画图的应用边界突然扩了一大圈 以前你只敢让AI画插画 画风景 错个细节无所谓 现在从信息图 海报 到UI界面 电商详情页和模拟社交截图 这些文字密集 结构严谨的场景 AI都碰得动了 新问题跟着来了 能不能出图 解决了 能不能稳定出图 可控出图 可复用的出图 没有解决 同一个需求 你今天写一段 prompt出图不错 明天换个说法就拉胯 想复现别人的好图 光看成品猜prompt 能猜到天黑 市场上所有人的痛感是一致的 从抽卡玄学到填控工程 中间缺一套东西 仓盒的动作很快 模型4月发布 它连夜开始收集社区里的优质案例 整理成库 到8月底 登顶趋势榜第一 来看这个仓库长什么样 它的内容主体分三层 第一层 案例库 526个案例 README里分成12个大类 我给你报几个数 UI和界面类73个 海报排版类86个 摄影写实类77个 插画艺术类58个 图表信息图53个 产品电商41个 品牌标志27个 网下还有建筑空间 人物角色 场景叙事 历史古风 文档出版 各有一批 每个案例都是一张成品图 配一段逆向出来的提示词 第二层 模板酷 这是他跟其他提示词合集拉开差距的地方 作者自己的说法是 把390多个案例扒了个底朝天 硬生生提炼出21套工业级提示词母版 每套母版覆盖一个大类 长在哪去就能填空的程度 第三层 Agent Scale 整个风格库打包成一个叫GPT Image R Style Library的G 能一行命令装进Clock Code Codex Cursor AI助手直接帮你选风格 套模板 这个三层结构 就是Prompt as Code的实际含义 提示词从一段散文 变成一个结构化协议 从主体 光照 到材质 布局 文案 拆成一个个可以组合 可以替换的原子参数 散文是给人读的 协议是给程序跑的 面向的场景也变了 不只是人肉复制粘贴 还有agent调用 批量脚本 这些自动化工作流 同一个赛道里 别加仓库再拼数量 YouMind那个同类合集1100多条 另一个1100条起步 这个仓库500多条 数量不占优 但精华部分往模板和scale里沉淀 堆料和做资产是两种玩法 光说结构有点虚 我们拿一个模板出来解剖 就用UI界面类 案例最多的场景之一 它的模板分两种形态 第一种常规模板 中文的给人用 你听这个格式 为中括号产品类型 生成一张 中括号平台 界面图 核心功能 中括号功能点A 功能点B 视觉风格极简 主色中括号颜色 布局顶部导航 信息层级清晰 留白充足 输出高保真UI截图 文字清晰可读 比例9比16 方括号就是你的填空位 产品类型 平台 功能点 主色 布局 比例 6个变量 填完就是一段能直接用的prompt 第二种 JSON进阶母版 给程序用 文档里明确写着 推荐给Agent调用 同样一个健身App界面的需求 变成一个JSON对象 Type是UI Sprinshot Platform是IOS Layout写卡片留加底部标签栏 Style里嵌套主题 主色 字体 Content里 Header是Today's Activity Cards是一个数组 每个元素代标题 数据 按钮 最后 Constraints写高保真 文字可读 9比16 结构完全对得上 但形态从自然语言变成了数据 程序解析JSON比解析散文容易100倍 这就是它能进自动化流程的原因 每个大类除了母版 还附一份B坑指南 这部分是整个仓库最有味道的地方 下一节单独讲 使用路径文档里也写明白了 三步 第一步 去精选案例区逛一圈 找到你想要的方向 第二步 去画廊找相继案例 先抄结构 再抄风格词 第三步 打开模板页 把业务变量填进去 从灵感到成品prompt 路径被铺平了 B坑指南 值得单独讲一节 因为它是全仓库口语最声猛 传播力最强的部分 我挑几条给你听 UI类第一条 不要给模糊指令 原文这么写的 明确平台 比例 布局 否则模型会像个实习生一样乱排版 这个比喻准得很 GPT Image 2是个能力强弹需要明确攻单的实习生 你给一句做个好看的界面 它就自由发挥 第二条 强制文字锁定 要求文字绝对可读 必须显示指定的中文 避免出现乱码按钮和毫无意义的火星文 哪怕文字准确率到了99% 你不锁 剩下那1%就在你最显眼的地方等着你 第三条 我特别喜欢 截图要区分平台特征 X有蓝钩认证 抖音有音乐碟片和点赞动画 小红书是双列瀑布流 生成前必须指定平台 否则模型会混搭 你想仿个抖音截图 出来一个蓝钩加瀑布流的缝合怪 摄影类有几条 属于反直觉的 AI画人为什么假 因为太完美了 所以要主动加瑕疵 皮肤纹理 雀斑这类细节 再加轻微胶片颗粒 真实感瞬间拉满 还有一条 用参数说话 写F1.4代替前景深 写50毫米代替半身照 大模型吃相机参数这一套 吃得很准 历史古风类 两条保命规则 明确朝代 不然大模型给你画出一个穿河服 拿清朝折扇 站在唐朝宫殿里的人 还要强制排雷 在prompt里写上禁用现代元素 防止古风美女手里突然多出一杯星巴克 建筑类就俩字 视角 建筑图最容易翻车的是 透视变形 写上人掩视角能压住它 再送一个作弊码 室外冷光配室内暖光 空间高级赶立刻出来 插画类 慎用大师名 直接写泛高 模型容易照搬代表作的构图 画出来一张假星空 正确姿势是提取特征 写旋转笔触 而不是写名字 你发现没有 这些坑权都是实操里采出来的 没有一条是坐在书房里想出来的 这份指南本身 就是社区几个月试错的结晶 接下来说它的生态布局 这部分是它登顶趋势榜的另一半答案 光有内容不够 这个项目把分发渠道铺满了 第一 AgentSkill上了NPM 一行命令 NPX Skills Add 装进Cloud Code Codex Cursor 第二 Cloud Code插件市场也能搜到 第三 作者做了个可视化网站 按例在线浏览 登录之后还能测试生成 第四 Redmi有中英日多个语言版本 第五 投了软一峰的科技爱好者周刊 组合拳打下来 加上Addi这些大V在X上转发 才有12天4200STAR 登顶趋势榜的爆发 时间线值得复盘 4月21号模型发布 作者当天开始收集 8月底登顶 4个月18000STAR 这个节奏说明一件事 热点项目的窗口期极短 GPP Image 2全量开放的那一刻 所有人都在找提示词 谁先把散落的案例结构化 谁就是那个应用百科全书 这是时机的胜利 也是执行力的胜利 12天里保持高频更新 案例数从300多滚到500多 Star就跟着滚上去 讲完好话 这部分泼点冷水 有三件事,你用之前最好知道 第一件,内容来源 这个仓库的案例,主要来自YouMind和OpenNANA两个社区的公开提示词 作者做的是逆向工程家AI改写 仓库里挂着一个徽章,写着100%Original AI Rewritten Rimi的声明也算坦诚 参考公开提示词库做学习总结研究,版权归原作 有意义可以提医术删除 披露是够了 但你要明白自己拿到的是什么 一份逆向家改写过的二手经验集 原创实验产出谈不上 第二件商业化浓度 这个项目带着明显的商业设计 仓库里有6家API中转站的赞助商位 作者建了个付费社区 9块91次性付费 网站上还有会员制 5美元300个credits 我的看法是 开源和赚钱不冲突 这是开源可持续的一种路径 内容本身MIT协议随便用 但你看到工业集三个字的时候 心里要清楚 这是一份经验打包 不是一份实验报告 哪些模板真的稳定产出好图 哪些只是看起来专业 你得自己上手验 顺带说一句 我上一期视频刚拆过一个项目 Le Flat Less Eye Tone 人家拿283万字对照语料做统计检验 26项特征只留11项 跟那种知识生产方式比 这个仓库是另一个流派 快而操 覆盖广 靠社区共创滚动迭代 两种流派没有高下 但你得知道自己吃的是哪重粮 第三件 保质期 提示词仓库的半衰期很短 模型每次更新 旧的技巧就贬值一批 到13年就退役了 GPT Image 2的技巧能吃多久 没人知道 作者的应对是持续更新 仓库现在还在动 这是它目前最大的护城河 最后给你算笔账 这东西对谁有用 你要是经常做自媒体配图 电商详情页这些需求 或者活动海报 或者做PPT 缺失觉素材 模板拿来填空 出图质量的下限直接抬高一截 何况它免费 你要是在玩Agent 想给自动化流程加一个出图环节 JSON母版加Scale的设计就是给你准备的 同类仓库里 这块它做得最顺手 想学图像Prompt怎么写的人 把它当案例库翻 500多个逆向样本 看多了你自己就会写了 装法很简单 异形命令 NPX Skills at Freestyle Fly-Awesome GPT Image 2 Scale名叫GPT Image 2 Style Library 或者Cloud Code插件市场直接搜 最后说说我的整体判断 这类项目的价值要分两层看 案例和模板这层是当下好用的工具 趁热用别供着 真正值得带走的 是Prompt as Code这个思路本身 把模糊的描述拆成原子参数 散文变成协议 一次性抽卡变成可复用资产 这个思路比任何一份具体模板都长寿 模型换代之后 它依然成立 以后你写任何prompt 图像的 文本的 都可以问自己一句 我写的是一段散文 还是一份协议 我是每天跟AI打交道的人 工具天天换 思路可以一直攒 我们下期见
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：790.6 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：45.7 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：0.8 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：0.8 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：0.8 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：0.9 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：0.9 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：0.9 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：1.0 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：127.1 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：0.2 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：0.3 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
- Qwen3-ASR 未完成，需確認 qwen_asr_lab 環境與音訊後重試精進模式。