逐字稿文字預覽
大家好欢迎来到灵姐说AI 最近啊Meta的一个产品 它的agent叫做Muse的火了 惊不惊喜 意不意外 之前他们一直搞开源的模型llama 搞了半天一点水声都没有 这一次Muse爆火 在9月8号它上线之后啊 前12天的下载量有280万次 随后登顶了美国苹果的APP store和Google play的免费榜 而且Muse的上线还带动了Meta的 股价一度累积上涨超过了20% 就因为这么一个agent 华尔街重新认可了Meta的股价和市值 市场把它开始看成Meta新 出现的一个AI收入的入口 最近呢我也把Muse的agent用上了 坦白讲 我的第一个感觉就真的是太丝滑了 而且我觉得马上在国内的 比如说像腾讯这样的大厂 就会把Muse的这套东西 copy过去因为真的太丝滑了 我觉得用的感觉真的很好 就是虽然说Muse的基模可能 并没有像GPT的Astra那么强 但是它的用的整个的体感真的很强 这一期呢 我会跟大家去分享 一下Muse它的特点是什么 为什么它这么受大家的欢迎爆火 同时呢我也会给大家去展示 一下我的使用过程和体验 而且这个agent它的 整个的使用是免费的 你只要新注册 它就可以给你赠送2亿的词元TOKEN 而且你分享你的邀请码 对方和你自己都会获得新的TOKEN Muse的爆火啊 对于Meta的意义不仅是 说多了一个爆款的APP 它能爆火一个很重要的原因 当然也源于Meta本身的 生态能力非常的强 Meta过去的问题 主要是说模型很强 他们本身的用户底子很大 但是AI之于他们 怎么形成一个独立的 产品入口和商业闭环 一直没有回答 但是Muse给出了一个非常Meta式的答案 他不是靠卖TOKEN赚钱 而是成为人的代理 可以从中抽水 现在Muse很强调的是针对你的 个人代理个人助理的这条线路啊 社区就有人反馈了 他尝试给Muse 让他处理一些偏 企业端的b端的业务 哎Muse agent给你拒绝了 现在Muse更倾向于做 个人助理这条线路 他掌握你的邮件日历购物 旅行支付等等一系列基于 个人生活工作的服务 它就长期知道了你是谁 你最近要干什么 而且它会改变广告时代 Meta推荐内容给你 然后你自己行动 进一步进化到agent时代 你打开Muse Muse接管了你的需求 替你选择服务 比较商品 完成交易 相当于他在重新定义 原来Meta的商业模式 而且啊看现在这个情况 它的苗头已经出现了 可以帮助用户去在多款 商品间进行比价购物 那Shopify是非常欢迎的 那通过Meta通过Muse的这种接入 相当于给它打开了新的 销售渠道和流量入口 但是亚马逊马上就阻止 了Muse替他们在上面购物 这就和当时豆包手机 被像淘宝这样的APP 反攻阻止 一样的一样的逻辑 因为这一次真的是入口啊 亚马逊如果不阻止 那么以后大家 是不是都不上亚马逊了 那亚马逊原来的广告收入商业 收入这部分东西就会被极大的侵蚀 如果说未来你购物 比如说你买双跑鞋 你直接跟Muse说 帮我买一双适合我的 150美元以内的跑鞋 你不再打开亚马逊 不再搜索关键词 不再看这个广告的产品详情页 不再比较十几个商品而是Muse 帮你完成了 那么最值钱的商业入口 就从原来的购物平台 比如说亚马逊 迁移到了用户的个人代理上面 这个问题是非常严重的 刚刚我讲到Muse代替 你购物的这个场景 有没有让你想到国内 是不是也有类似的agent 比如前段时间很火的千问 代替你点奶茶的这个场景 那在这期节目啊 我也会对比一下Muse这样 的agent和千问这样的agent 它们的差异点在哪里 Muse这个产品的发布会呢 我全程也看了 我自己看下来 包括我自己用下来 体验下来 我总结下来Muse agent 它产品的特点有以下几个方面 第一个我觉得非常 代表这个产品的特点 就是它给每一个agent都 配备了一个云端的虚拟机 我们使用GPT的Codex在跑 这些任务的时候啊 它的上下文很长 很多时候需要依赖于你 的Mac mini的电脑是开机的 而对于Muse而言 整个的使用非常的丝滑 即使你把这个agent关了 把这个电脑关了 这个任务仍然在云端继续执行 而且我认为Muse它的整个 的设计是从Openclaw来的 它是非常大程度的 参考了Openclaw的哲学了 Open Claw 整个的设计它是偏极客化的 非常的开放 你可以自己DIY很多的玩法 而muse呢则把这套思路进行了 产品化封装化和大众化 对于没有太多AI基础或者 更多的使用技巧的人 Muse也能够很快的上手 我也觉得这可能就是它爆火的原因 而且给到的算力啊 这个初始的真的是非常的丰富 很够用我非常建议大家 有条件都去尝试一下 现在Muse应该主要对美国地区开放 逐步应该开放到加拿大地区了 你要注册这个账户 它对环境的这个IP的 要求纯净度是比较高的 否则没法完成注册 大家可以自己去尝试一下 而且啊在使用的过程中 你会体验到 在这个Muse里面 实际上它是双agent 怎么理解 它有一层执行的agent 同时它有一个安全审核的agent 叫做Sentinel agent 就是Muse准备干这件事到底合不合理 行不行能不能干 安不安全 这个Sentinel agent它就会来问你来判断 相当于安全架构被做成了产品本身 Muse agent呢 负责考虑这件事情怎么完成 同时另外一个隔离的Sentinel 它负责监督这个Muse的 外部操作是否合规 这些敏感动作需要用户去确认 第二个我认为它重要的点 就是Muse它不只是可以操作网页 它还在建设原生的交易层 大家在用的时候就会发现 整个Muse agent 它在连接做Connector 这个连接器这个体验 做的真的非常的舒服 而且啊它最新也宣布了 连了Shopify Paypal Best Buy 沃尔玛notion Git Hub等等一系列的连接 而且这个开发者的 Connector开放不到一周 Meta说他们已经收到了1,500个申请 这个Muse它是希望去理解用户的意图 调服务调支付 完成交易 完成整个的商业闭环的 浏览器浏览的操作只是为了 更好的兼容背后所承载的这个 Connector连接器还有skill才是他们 真正想建的一个长期的 基础设施而这里面潜藏的就是Meta的 野心 所以这里的商业机会显现出来了 是什么muse它要贯穿用户下单退款 比价谈判到最后支付的整个环节 为什么他会给大家 提供这么多的免费TOKEN 因为他们不是靠卖TOKEN赚钱的 他是要帮你完成交易 然后从交易里面抽一点水 他们叫做transaction fee 这个操作就非常的meta了 既然讲到商业模式 我们就继续来对比一下海外 的Muse和国内的千问的agent 它们的差异点 先看它的定位啊 Muse这里定义为叫做什么personal agent 而且他这一次发布还强化了 说可以通过语音去操作Muse 而且还发布了多款硬件 我们去看Muse的官方页 Meta对Muse的定义 这句话就说得很清楚 叫做your personal AI agent that get things done 是什么有三个词 第一个是personal 它强调是个人化的 b端的企业级的任务不是 它主要解决问题的目标 第二个是agent 它的交互方式是通过对话 然后调用agent来执行的 而千问是通过对话 调用相应的服务接口服务去执行的 在Muse的产品逻辑里面 它非常强化个人助理 个人代理这个概念 它强调这个真的是你 的个人的私人秘书 而且我认为它的这个 定位真的是非常准 而且我觉得它的使用 体验也配得上这个定位 对于千问而言 它最大的优势是它背后的阿里 它已经有了现实世界的API 它基本覆盖了衣食住行各个方面 你想想高德飞猪淘宝淘宝闪购 还有本地的盒马支付体系 到整个交易 所有的内容都是涵盖在 阿里的整个的生态里面 而且你是不需要模拟点击网页的 阿里本身就自带真实的业务系统 这是阿里花了20多年 建立的商业的基础设施 它本身就成为了agent的工具箱 而Muse它最大的优势却是它 不想活在Meta的生态里面 Meta它最大的优势在于说它有非常 多的IM社交的各类的软件生态 非常多的用户 所以也是基于这个原因 我判断腾讯去把Muse的这套copy过来 是最丝滑最顺畅的 所以我觉得这也是腾讯的机会 在Muse的整个的服务连接里面 它会更加强调 连接器加浏览器的玩法 这种浏览器的方式 作为最兜底的行为 当然这种行为呢 很容易被像亚马逊这种 原本的购物的入口去封掉 那么第二层呢connector就是高速公路 一堆connector希望通过Meta的这个路径 获取更多的流量和交易的渠道 所以会有很多人去构建这样的connector 比如说像Shopify嘛 他们就特别的欢迎嘛 还有一层是交易层 现在看看也是基本上都打通了 还有一层就是Meta最大的优势 它的Whatsapp Instagram眼镜 就是最大的用户入口 这也是Meta的 它的整套逻辑 你看跟千问是不是有差异 这条路径会更加开放 但是也会更加的野心勃勃 千问的路径似乎是把很多超级APP 比如说淘宝飞猪 支付宝这样的超级APP 整合成一个agent 而Muse则是让他的这个agent 本身成为一个超级APP 一个私人秘书嘛 以后所有的内容都可以 通过语音的方式跟他沟通 让它来帮你操作和跟进各种任务 它就变成了一个超级APP 大家现在看到的是Muse的操作界面 在一开始使用Muse的时候 它会询问你是否 允许Muse使用你的电脑 打开辅助功能和录屏功能 并且允许Muse访问你 的文件和本地应用 大家可以看到 在最开始的时候 它会给你一个免费版 而且它还会额外的赠送给 你20亿个词元的使用额度 而且这个20亿个词元它是不过期的 不像很多一些大厂送的额度 它是有使用期限的 要求你在半个月 一个月内使用完成 Meta果然是大气啊 他之前为了搞他的LLAMA模型 买了一堆的GPU 没有用途 没有用法 现在可以全部都用在Muse上面了 Muse的生态很强 它的VR很强 甚至也可以玩Muse加眼镜 未来的想象空间真的是非常的大 如果你想要更多的额度 可以点击这里的升级 跳到这个界面 它就可以从每周1亿的Muse TOKEN升级到5亿的Muse的资源 最高可以升级到80刀 每周30亿的Muse口令 真的是非常的大气给力啊 接下来大家和我一起来看一下Muse的 实测任务的效果和能力究竟怎么样 首先啊我给他一个任务这里呢 我告诉他我是一个Youtube的创作者 并且附上了我的频道的链接 我告诉他我的目标是把频道的 订阅用户增长到10万个用户 其实这里我要测的是说 我给他一个大的目标 让这个私人的agent助理 帮我进行任务的拆解 并且生成相应的行动和动作 你看在这里啊 他就快速的帮我 生成了两个子的项目 第一个叫做频道每周的增长报告 第二个是每日AI热点的选题扫描 就是话不多 直接就帮你干活而且啊 因为meta在IM社交里面的经验 他的整个的agent的使用 的体验非常的丝滑 你看他给你的回复 整体的逻辑结构和 清晰度是比较有很强的 我叫做什么 宜人性的 他的消息的宜人性特别强 普通人都可以上手 你看他这里的回复啊 他先帮我看了我的频道的现状 然后马上帮我搭一个长期的体系 可以做哪些动作 我的goal是什么 然后呢具体的操作 每天的AI选题简报 每周一的 用户自动增长的复盘 报告和具体的分工 完整的计划呢给到我 它整个链路啊 速度非常快 有一点像GPT的Luna 但是比Luna的执行力更加快 普通人小白都可以快速的上手 这里是一个MD的文档然后呢 他继续跟我做两个确认 他说希望多久冲到10万粉丝 然后呢具体的节奏和打法什么样子 要不要接Youtube data的API 就相当于在这里我可以 完成油管的数据监控的闭环 如果有印象的观众啊 我在Codex上面也完成过 Youtube data API的接口的接入 实际上那里呢还没那么丝滑 但是这里呢哎 看一下在这里它会告诉我 具体怎么创建API key 并且把API key交给我 在这里它就弹出了一个Youtube data API 这里你就能够体会到 它的连接器的整个的 体验做的是非常的丝滑 在这里你直接点击连接 点击继续 把你在Youtube上面 获取的API key粘贴进来 然后点击添加就可以了 这个丝滑的体验 我在其他的通用型的agent 上面是没有体会到的 当然背后也有原因啊 Muse背后是几万个 工程师在日夜不停的工作 优化整个的产品体验 它的人力的铺陈和GPU的 供给是非常的充分 全面在支持Muse agent整个的使用体验 好密钥连接完成之后 它就马上完成了我 的Youtube数据的获取 然后我让它跑一下AI的选题啊 这里呢我没有给它特别多的指令 根据他给的这个三个的选题啊 反向我又能感知到Muse它的基模 基础模型比其他的这个头部的 GPT也好Anthropic也好 是有一些差距 它的基模不够聪明 但是不要紧 我们只是做一些日常的具体的事情 它更多强化的是做 是你的个人助理 基模没有那么聪明也不要紧 如果是给GPT让他跑 今日的AI热点选题 肯定不止这些内容 肯定会说的比较复杂 而且它的交付内容 肯定比这个多得多 但是我觉得Muse它有一个 产品逻辑叫做少即是多 对于很多普通人而言 太多的信息可能对于他 处理具体的任务而言 是信息过载的 很多人是吃不下AI的很多信息的 而且为什么我说它 基模还是有点问题呢 这里我让它拓展了一个热点的选题 它帮我拓展成了5-6个 然后呢其中有个选题 它就是说Openai推出Codex Mac的桌面应用 这一条不就是老新闻了吗 我当时就特别好奇 难道是我没有关注和 扫描到一些信息吗 我就让他给我具体的 详细说一下这个新闻是什么 好它自己才识别出来 这一个Codex Mac的新闻是 2026年2月2日的新闻 是一个老新闻了 这里呢也体现出它的 综合的信息的处理能力 在基础模型上是有 一定的瓶颈和限制的 所以说呢 这一类的问题 你需要给它更加详细的提示词 更加明确的任务 它不会 像GPT的产品逻辑上面 通过上下文 通过记忆 通过模型的智能 变成那个很懂你的一个助理 它的这个助理是帮你 处理一些具体的事物 它的personal 会更加强化一点 再接着我让它重新执行一下 然后明确时间周期是最近7天的 你看整个的热点重扫之后 它的整个的内容 准确性就会比
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：14.2 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：52.0 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：0.1 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：0.2 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：147.3 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：0.4 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：0.5 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
- 校正前 transcript.source.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。
- 音訊下載不穩定，需更新 cookies / PO token 後重試精進模式。