逐字稿文字預覽
问大家一个问题 各位现在在用AI吗 如果用的话 想必应该跟我一样 花了不少订阅费吧 我也一样 所以在纠结了N多天之后 我决定买一台M5 Pro的笔记本 那就像上个视频说的 一周之后 我收到了我买的M5 Pro的笔记本 在开始测试它的性能之前 不得不说 全新的M5 Pro笔记本 黑色的外观 键盘真的是非常的漂亮 那跟我M1 Pro的笔记本相比起来 颜值我真的觉得甩了好几条街 OK那么正式进入主题 首先这次测试分为两个类型 一个类型是多压力的任务测试 第二类是模型的横向对比 那多压力测试呢 其实是更接近 我平常使用笔记本的一个场景 我会同时打开多个软件 包含龙虾 剪辑软件 音乐 修图软件 浏览器和编程软件 那把之前不敢想的编程 然后现在利用AI 其实也都能实现了 那这次测试呢 其实就是想看 在同时运行这么多软件的情况下 我的这款M5 Pro的笔记本 在拥有48GB的内存下 它还剩多少 也是看内存是否能够撑得住 那第二个模型横向测试对比呢 其实就是把模型下载到本地 然后用评测软件 对大模型来进行个对比跑分 那当然其实 现在AI的大模型比拼的 不是原来手机的评分啊 其实现在比拼的是 AI大模型的输出速度 但是下面我会具体展开 来详细的说一说 那我们先来第一个测试啊 当我们运行这么多个软件的时候 看看它内存是消耗了多少 那第一个测试 我们来看运行这么多软件之后 那我打开活动监视器这个软件呢 查看一下内存的使用量 那48GB内存 其实目前来跑这么多软件的同时呢 消耗了一共差不多不到40GB的内存 但是如果在运行 编程软件的时候 那么这个内存最大会飙升到44GB 甚至是45GB的内存使用量 所以也看是不同软件 它所占内存的这个消耗比 那不过在运行这么多软件的同时 即便是内存已经达到了44GB 45GB的这个总共的这个用量 但是在我使用软件的时候 每个软件其实都不会卡顿 这个对于我来说体验 不管你是消耗多少内存 对我来说 个人的这个体验是非常好的 那在第一个测试项目当中 我觉得其实 这一关笔记本还是完胜的 那我们接下来再看第二个类型的测试 有请我们的阿努比斯大人 开个玩笑 这款模型的横行测试对比的软件 其实是叫阿努比斯 所以才有了刚才的那个环节 而且这个软件的icon或者说是标识 其实就是刚才我们看到阿努比斯 死神大人 那好我们言归正传 我们先来看一下 测试对比的这个结果 那我们在开始第二项横向模型测试能力之前 使用的五个模型依次分别是 Gemma 4 26B GPT-OSS 20B Qwen 3. 6 35B A3B MX FB8 DeepSeek R1 32B JRM 4. 7 Flash Q8的这个量化版本 那我分别是测试这五个能力 去看这五个模型它输出这个速度 那前提呢是我只能下载到 目前我这个笔记本能够使用到 而且可承受反应的效果 我可以用到这个测试的 这个大小的模型 这五个能力呢分别是推理能力 编码能力 创造力 知识掌握能力 以及最后的执行力 并且大家可以看一下 分别的这个提示词啊 首先是推理能力 那Gemma 4呢应该是第一的 第二呢其实是GBT OSS 20B 我们来看一下第二个编码能力 编码能力依旧是Gemma 4领先 然后其次是紧跟着是GPT OSS 那我们依次再来看创造力 知识掌握能力 以及执行力 那基本上都是 Gemma 4的输出速度是第一啊 那其次是GBT的OSS 以及仅次于GPT的Qwen 3. 6 综合来看其实还是Gemma 4领先 那有一点我要说一下 在我做视频的这段时间呢 DeepSeek其实已经推出了V4的这个版本 但是呢V4这个不管是它全量的版本 还是量化版本其实都会很大 然后这也就导致 我无法去下载到本地 然后去做测试 那我只能用DeepSeek R1的这个版本 去做测试 那同样呢 Kimi和Mini Max都出了最新的版本 那一个是2. 6 一个是2. 7 但是我也看了 他们的版本也是巨大啊 几百G到1T都有 其实这个容量是满足不了下载到本地 然后并且运行的 所以我就只能是放弃了 那在用DeepSeek R1 32B模型 去做测试的时候啊 那阿努比斯大人让我们这个笔记本 这个风扇疯狂的这个转啊 然后每次都是到测试R1的时候呢 都是转的不停 那在其他的这个模型测试的时候呢 就是情况下是没有这种现象的 那总的来看呢 其实还是Gemma 4领先啊 但是这个其实也是根据 各大模型厂商的这个大小参数 那我也只是按照参数 能够尽量接近的这个方法去做测试啊 大家如果说有别的意见 那其实这个结果大家只是看一下就得了 那如果后续各大模型厂商 他能够再出像Gemma 4这种体积 不是特别大的这种量化版本的这个模型 那我觉得对于个人来说 还是非常的友好 那我也希望各大模型厂商 也能够跟进这个事儿啊 那其实这个事儿对于我们个人使用AI来说 其实是比较大的一个福音 以上呢就是这两项测试的内容了 那希望大家多多点赞和关注啊 然后非常感谢大家 那在最后呢其实我想说 AI已经从之前的遥不可及 到现在这一两年 已经变得人人都可以用这AI了 那也希望大家能够利用AI呢 做自己想做的事儿 并且呢做自己感兴趣的 觉得有趣的事儿 那以上就是这样 我们下个视频再见 拜拜 拜拜
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：14.1 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：36.8 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：0.9 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：0.9 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：71.4 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：0.5 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：0.5 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：71.2 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
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=11 已先套用暫定修正：在开始扎根它的性能之前 → 在开始测试它的性能之前；segment=17 已先套用暫定修正：颜值我真的觉得甩了好几条鸡 → 颜值我真的觉得甩了好几条街；segment=95 已先套用暫定修正：GBT OSS 20B → GPT-OSS 20B；segment=96 已先套用暫定修正：千万3.6 → Qwen 3.6；segment=98 待確認：模型名稱不詳，可能是誤聽；暫定：A3B MX；segment=99 待確認：模型名稱不詳，可能是誤聽；暫定：FB8；segment=101 待確認：模型名稱不詳，可能是誤聽；暫定：JRM 4.7 Flash
- 逐字稿可先使用，但有待校正清單
segment=98 rapid_semantic_review: 上下文無其他線索，且非知名模型；segment=99 rapid_semantic_review: 上下文無其他線索，且非知名模型；segment=101 rapid_semantic_review: 上下文無其他線索，且非知名模型
- 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。