逐字稿文字預覽
大家好，我是可波 OpenAI 最新發布 GPT-6 Astra API 價格直接漲到 2. 5 倍 多花這些錢換到什麼？ 官方有三個答案 它更會自己操作電腦了 它做東西變更順也變更好了 還有它做到一半你可以 插話改方向 這支片會用七分鐘 把這三件事快速講清楚 先看 OpenAI 的示範 對我自己的專案來說 Astra 就像是和一位經驗豐富的 合作夥伴一起工作 我能夠交給它更大 定義不那麼明確的任務 幾乎不需要手把手指導 無論你是寫程式、寫作、設計 或是處理需要更多腦力的工作 你會發現 Astra 能提供很棒的成果 而且通常第一次就成功 剛才那段 OpenAI 工程師在講他自己用的感覺 他的意思是 以前你還得先把任務拆好 一步一步餵給 AI 現在可以直接丟一個還沒想 清楚的大方向過去 中間的步驟它會自己補 這聽起來很像每一代模型 都會講的宣傳 但這次你可以看 Astra 如何真的更流暢地做到這一點 第一件事就從這次主打的所謂 「computer use」 開始 這是一種能力，讓模型能像你我 一樣使用電腦或瀏覽器 有了 Astra 模型在使用電腦時會更準確 更有效率 這在 ChatGPT 應用程式中最容易展示 但 Astra 的強化技能也能透過 API 使用 我要讓它描繪我站的位置 我會拍張照 然後傳給 Codex 繪圖 用 Krita 以梵谷風格繪製這張圖 並在背景加上金門大橋 剛才他交代的那件事其實有三步 拍照片、開一個繪圖 app 把照片畫成梵谷的風格再加 一座金門大橋 但從頭到尾他沒有動手。 這就是透過 computer use 去操作 也就是 AI 看得到螢幕上有什麼 也可以實際去按滑鼠跟鍵盤 打開這個能力後，開軟體 找按鈕、填欄位這些動作 他都可以幫你代勞 這個用法，前幾代模型就有了 但以前慢到沒人想用，而這次 GPT-6 展現了明顯的進步 為了了解這是不是只是官方宣傳 才這麼神，我們在另一隻影片 有做過一個簡單小實測 有興趣的我把連結放在說明欄 OpenAI 官網放了一組數字 可以看出這一代差在哪 同一批要操作電腦才做得完的任務 上一代平均花七十五分鐘 做完六成六 GPT-6 Astra 花四十分鐘 做完七成三 時間少一半 做完的比例還多七個百分點 我們下面再看它是怎麼做的 它會用截圖查看正在發生的事情 同時讓應用程式在背景執行 我就可以專注於其他工作 這個模型能夠生成一個 希望大家都能辨識的畫面 比我能做到的更快、更好 同樣的能力也能協助開發者 日常使用的工作流程 無論是填寫 API key 的表單 還是對行動應用程式進行 QA 上一段影片有兩個重點 第一是它怎麼看畫面 它靠的是一直截圖 看螢幕現在長什麼樣子 再決定下一步按哪 所以那個 app 可以縮到背景去跑 你的螢幕還是你的 可以繼續做事 第二是他舉了一些雜事 像是申請金鑰要填的表單 app 上線前要一頁一頁 點過去確認 這些事不難，就是花時間 現在都可以考慮交給 Astra 做 剛才最後那幾句已經講到這支 影片要講的第二個重點 同樣一句話交代下去 這一代做出來的東西不一樣 我們看 OpenAI 怎麼把以前的 題目原封不動再做一次 兩代擺在一起比 它特別擅長建立 3D 模型 我看過它製作出令人驚嘆的渲染圖 包括花園、船塢、動物 城市景觀，甚至是戴森球 以我個人經驗來看 Astra 的輸出成果 從投影片到文章，都比我試過的 其他模型更容易閱讀和使用 它的個性對我來說更自然 尤其是在我給予 回饋時的來回互動 如你所料，Astra 擅長處理長時間運行的任務 Astra 在 3D 這一項最明顯 官網上那支示範 是叫它做一個房子的夜景 窗戶的光、地上的反射 樹的影子都在 鏡頭可以走進去繞一圈 不過對大部分人來說 比較用得到的是他講的另外兩樣 投影片跟文件 官網有一組對照 同一份文件的前後兩版擺在一起 改完那版的排版、層次 重點放在哪 看起來就是有人整理過 這一塊也有數字 有一個測驗專門看模型 能不能自動做完辦公室工作 上一代拿 18 分 GPT-6 拿 41 分，翻了一倍多 但這裡要說清楚：把所有測驗 加權平均起來的那個獨立指標 Astra 拿 61 分 跟上一代比是持平 問一句答一句的題目，它沒有比較強 接下來是第三點 前面兩點講的都是 GPT-6 能做什麼 這一件講的是你怎麼跟它配合 當你交給模型的工作越來越長 越來越複雜 你就需要新的方式跟它一起做事 所以這次 OpenAI 在開發者用的 介面上加了兩個東西 首先，非同步工具 透過非同步工具呼叫 模型可在工具執行時 繼續處理任務的其他部分 當結果可用時 它就能利用該資訊繼續 轉向功能讓您能在回應仍在進行中時，為模型提供 在進行中時， 為模型提供 新的上下文或改變其方向 如果您在 Codex 中看過轉向功能 這應該會讓您感到熟悉 讓我們給模型一個任務 然後在它工作時 改變我們要求的事項 兩個名字都很拗口 講白一點是這樣 第一個叫 async tool calling 以前它派出去查一份資料 或是跑一段程式 這段時間它就停在那裡等結果 現在它可以先去做任務的其他部分 等那邊回來再接上 同一段時間裡做兩件事 整件事就快了 任務越長，這個差別越明顯 第二個叫 steering，翻成中文 比較接近「中途改方向」 它做到一半 你想到還要加一個條件 直接打字丟給它 它會接上去做 不用把跑到一半的東西砍掉重來 舉個例子 你叫它整理一份市場報告 它查到一半你才想到，順便 把去年的數字也放進來比一比 以前它可能會當成一件新 工作重新開始 現在它會接著進度往下做 這件事聽起來小 但如果你在做的任務越複雜 就越有可能頻繁遇到這種情況 你可以看到它接收到我的新指令 並調整接下來的步驟 同時已啟動的工具持續運行 我可以改變方向 無需取消正在運行的工具 或重新開始任務 我得到了最終結果 並融入了新的上下文 Astra 現已在 ChatGPT、Codex 和 API 中提供 Codex 和 API 中提供 在你最具挑戰性的任務上試用它 並仔細查看結果 最後講你在哪裡用得到 GPT-6 Astra 現在 ChatGPT Codex 跟 API 三邊都開了 ChatGPT 這邊，Plus、Pro 商業版跟企業版都有 用量算在原本的訂閱裡 企業版預設是關的 要管理員去開 回到開頭那個問題 貴 2. 5 倍值不值得 單價確實是上一代的兩倍半 可是 OpenAI 自己算下來，做完 一件任務反而會便宜三到六成 但也有第三方算出相反的結果 說還是會貴一點 兩邊都公開了算法 目前沒有共識 這一點，建議你自己動手去用用看 也歡迎分享你的實際感受 我是可波。 如果這隻片對你有幫助 請按讚留言分享，我們下次見
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：665.7 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：19.9 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：1.0 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：0.1 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：79.1 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：0.1 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：0.2 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=82 已先套用暫定修正：這個模型能夠描繪出一個 → 這個模型能夠生成一個；segment=162 已先套用暫定修正：轉向功能讓您能在回應仍 → 轉向功能讓您能在回應仍在進行中時，為模型提供；segment=206 已先套用暫定修正：Astra 現已在 ChatGPT → Astra 現已在 ChatGPT、Codex 和 API 中提供；segment=82 待確認：'描繪出一個...畫面'搭配'辨識'語意模糊。結合上下文（3D模型、渲染圖），應為'生成'或'建立'一個'場景'或'模型'。'辨識'可能是'渲染'或'呈現'的誤聽。；暫定：這個模型能夠生成一個；segment=46 待確認：語意不明，'描繪位置'與'拍照片'邏輯不連貫；暫定：我要讓它描繪我站的位置；segment=130 待確認：語意略顯口語化，但符合上下文指代；暫定：比較用得到的是他講的另外兩樣
- 逐字稿可先使用，但有待校正清單
segment=82 rapid_semantic_review: 全文速讀上下文判斷；尚未回聽或交叉比對；segment=46 rapid_semantic_review: 上下文提到'拍張照'、'傳給 Codex 繪圖'、'以梵谷風格繪製這張圖'，推測原意為'根據照片描繪場景'。；segment=130 rapid_semantic_review: 前文提到'3D模型'，後文提到'投影片跟文件'，此處指代明確，無需大幅修正，僅需確認語氣。
- 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。