GPT-6 Astra 來了。今天我們 發布Fable 5.1版本。你的任務是 吸收一到兩個基本 資訊。完全沒有 必要徹底推翻並放棄 你原有的工作流程。實際上，你 只有三個選擇。你 只有三個選擇。 Cloudops 5.5 影片編輯。 真的像人們說的那麼好嗎？ 螢幕上閃過的短片都是 它完全自主剪輯的。我 沒有乾預這個過程。 它剛剛發布，過去 兩天裡，整個互聯網都在 熱議它；有些人甚至 用它來製作完整的影片。我 不想只看 別人挑選的演示，所以我把自己 未經編輯的 17 分鐘訪談影片扔給了 模型，讓它 執行整個後期製作 流程。結論是，它的確 比我預期的要強大，尤其是 在我認為 它完全無法勝任的領域。 至於人類究竟還能做些什麼工作 ，看完這 集之後，你或許會有更清楚的體悟。 當然，你可能更加 困惑了。嘿，你好，歡迎 回到[頻道名稱]。引言 中兩個會議之間的對話 其實只是我一時 興起做的開胃菜。兩家公司都發布了 自己的會議影片——一個超過 三分鐘，另一個一分 半鐘，兩個影片都配有英文字幕 ——所以我讓模特兒把這兩個 片段剪輯成一個混合對話場景，並 添加了雙語字幕。 起初這確實很麻煩， 因為 這兩個影片附帶的英文字幕是滾動 自動字幕，而且時間戳 都重疊了，導致無法 確定剪輯點。 Cloudops 5.5 偵測到此問題後， 呼叫了 Whisper 本身，重新轉錄了 所有內容，然後才能夠 準確地同步剪輯。最後一段 影片長達 66 秒，結果 有點超出我的預期：GPT-6 Astra 來了。這是我們最新的前沿 模型，也是世界上在需要 強大智慧的任務中表現最佳的模型 。今天我們發布了 Fable 5.1，這是我們 功能最強大的模型類別的最新升級。我能夠 以最少的指導，將更大、更不明確的任務交給它 。無論它 目前能夠處理什麼，它都能承擔更多，並且 更好地完成最困難的部分。 無論你是寫程式、寫作、 設計，或是從事 需要更多 智慧的工作，你都會發現 Astra 往往在 第一次嘗試時就能帶來很好的結果。 如果遇到障礙，它會告訴你它 嘗試了什麼以及卡在哪裡了。正如你所 預料的那樣，Astra 非常擅長 長時間運行的任務。在這種 任務中，第二步的小錯誤會導致第四十步出現 問題。而 Fable 5.1 從頭到尾都表現出色。該 模型能夠比我更快、更好地繪製出一幅可以 辨認的圖像 。而且這個 模型在科學方面表現 優異。試穿一下。 我。我最初的想法是把他們放在同一個畫面裡，這樣他們看起來就像在同一場景中聊天一樣，但我認為最終得到的帶對話框的分割畫面效果其實相當不錯。 無需手動編輯； 說話者正常播放， 但畫面邊緣高亮顯示，而另 一邊則保持靜止，使整個 對話看起來非常流暢。 字幕翻譯也非常 自然，有趣的是， 它甚至還在影片頂部添加了一小行文字 。素材： 剪輯自兩家公司 官方發布的影片片段。我們甚至可以 想出一個玩笑式的標題，說這 兩家公司今天聯合發布了 最強大的型號。當然， 會議亮點只是 熱身而已；今天真正的挑戰是我 自己那段17分27秒的即興獨白 。 觀看各種網路 簡報時，難免會心存懷疑。它是不是偷偷加載了 大量插件或編寫了數千 字的規則才達到這種 效果？這次 完全是放任不管。我為它提供了一個 純淨的 CloudCode 命令列 環境，沒有載入任何自訂技能 ，沒有編寫任何專門的規則， 沒有 MCP，也沒有預設的編輯工作流程 。工作目錄中只有兩個資料夾 ：一個用於存放原始 素材，另一個是空的輸出目錄，用於存放轉錄文字和剪輯 片段。它 透過呼叫本地工具自行處理了所有這些工作 ，無需任何人進行培訓 。七個流程對應七個提示。我把它們交給他們之後，它就完全自動運行了。我什麼都沒做，連一次權限確認都沒做。運行時間 超過兩個小時，並交付了 七個任務的所有最終 剪輯片段。 此外，這七個步驟中還有一個關鍵的轉折，徹底顛覆了我最初的預期。稍後我們討論多片段拼接時，你就會明白了。好的，讓我們來看第 一個核心過程：從 17 分鐘的嘗試中挑選一個片段，剪輯成一個 1 分鐘的垂直螢幕短片。 任何剪輯過長影片的人都知道，最耗費腦力、最考驗判斷力的部分是： 打破完整的邏輯流程， 找出哪些部分可以脫離周圍的上下文 獨立存在。在開始之前，我設定了三個嚴格的驗收標準：論點必須完整，即使沒有上下文也能說得通；切割點必須自然，不能有任何瑕疵；你不能刪減半個單詞，也不能留下任何錯誤或重錄。我會將 這 三項要求 和完整的提示訊息放在影片描述中。發送提示後，它首先呼叫了一個工具來轉錄整個劇集， 並自行選擇了 1:29 到 3:06 的片段。在最終報告中，它 明確闡述了選擇的理由：這一部分討論了 面對人工智慧時的三種選擇，這是整個事件的核心框架，非常清晰。該片段沒有提及視頻之外的任何內容；它還評估了其他三個部分，並詳細解釋了為什麼沒有選擇它們。如果我 手動檢查的話， 這實際上是我會首先選擇的片段 。所以，S 5.5 選擇的部分和我手動選擇的完全一樣 。原始素材長度為 97 秒，剪輯後為 83.7 秒。 讓我們來看看它刪減了哪些細節。當談到 第二種情況時，我結結巴巴地又重複了一遍； 它精確地刪除了被丟棄的前半部分，保留了正確的句子。在第二種情況下，問題 本身並沒有改變，但是問題的複雜性和錯誤發生的方式改變了。問題 本身並 沒有改變，但是問題的複雜性和錯誤發生的方式發生了 改變——在第二種情況下，問題本身並沒有改變，但是問題的複雜性和錯誤發生的方式發生了改變。期間還有三次長時間的停頓， 以及咂嘴聲。 這些令人尷尬的小習慣都被徹底改掉了 。實際上，你只有三個選擇。第一種 情況，老問題，老方法。 實際上你只有三個選擇；第一種情況，老問題，老方法。 40 條字幕中沒有一條拼字錯誤，也沒有改變我的原意。這裡還有另一個有趣的細節。 後半段，我隨口說了句“解決辦法，方法”， 結果和 之前一模一樣。該模型甚至在報告中也做了記錄。它說這可能是口誤，我已經糾正自己了。 它不確定是刪除“解決方案”還是“方法”這兩個詞中的一個，但最終決定兩者都保留。 聽完之後 ，我覺得留下它們是正確的； 這只是我們說話時的一種自然的自我糾正，根本不是錯誤。需要解決的核心問題沒有改變，解決方案和方法也與以前完全相同 。還有一個意想不到的好處：對於從 水平視頻裁剪出來的 9 分 16 秒的垂直視頻，它在剪輯點上實際上交替使用中景和特寫鏡頭，以隱藏 跳切。最終成品中，我的頭看起來忽大忽小，效果其實還不錯。這就像很多影片為了防止觀眾分心而使用的推拉鏡頭。 無論是幸運的意外還是有意為之，最終效果都非常舒適。好的，單一短影片片段可以處理，但是要將多個片段拼接成 17 分鐘的影片呢？ 第三項任務，我讓它從 整段影片中挑選 四個片段，剪輯成一個短片 。它從 22 秒、5 分 23 秒、8 分 04 秒和 16 分 27 秒中選取了四個片段。我的 主題是「不要被 層出不窮的新人工智慧術語牽著鼻子走」。我根據原始順序將其剪輯成一個 78 秒的影片片段，因為原始順序已經構成了一個完整的關於問題、原因、真相和解決方案的論點。 它清理了段落中多餘的連詞和呼吸聲，在段落之間保留了自然的停頓， 並使 四個段落的音量保持一致。完整聽下來，剪輯上沒有任何瑕疵。 主題選得其實不錯； 每當出現一個 新術語時，網路上總會有人說你以前的方法已經過時了，你需要盡快重新學習所有內容。你潛意識裡覺得 以前掌握的溝通邏輯都失效了。你又陷入了學習焦慮的無盡循環。 但背後的邏輯其實非常簡單。只要機器仍然需要人類向它們解釋其意圖， 這種能力的核心就從未改變。 這正是整篇文章最大的缺陷。 第三部分開始時，我說：「只要機器仍然需要人類向它們解釋其意圖，這種能力的核心就從未改變 。 」 請注意 「這種能力」這個短語。在原始影片中，我之前專門討論過我表達意圖的能力。所以， 這段話在那裡 自然而然地流露出來，但在他剪輯的這段 78 秒的短片中，之前並 沒有提到「這種能力」指的是什麼，所以觀眾一 聽到這個詞就會感到困惑。為什麼會發生這種事？我查看了 他的報告，GPT-4.5 實際上註意到引用範圍過廣，但它認為上一節末尾提到的「通訊邏輯」可以涵蓋這種情況，因此沒有將其視為 需要修復的 錯誤 。然而，對人耳來說，你可以立刻聽出這段話存在脫節。僅依靠「通信邏輯」無法支撐「這種能力」這個概念——這就是人工智慧的限制。它非常乾淨利落地切斷了聲音的接縫， 但由於它認為其邏輯在文本中站得住腳，因此它沒有將這種聽覺上的脫節視為錯誤。因此，這一步驟仍需要人工幹預。我把整部都聽完了。我找到了問題的關鍵點，一旦發現這個脫節，我就給他提出了修改要求。我 指出了那個具體地點，並設定了非常嚴格的限制。我告訴他，「觀眾不會理解」這種 能力，「所以你需要找到一種方法讓過渡自然起來 。」你可以重新排列 句子，交換段落，或者改變順序，但是你 絕對 不能添加我沒有說過的內容，也不能歪曲我的意思 ；別碰其他任何地方的任何東西 。在這些嚴格的限制下，每個人的第一個反應都是 它必須刪除那句話——這是最簡單的方法——但它實際修改的方式完全超出了我的預期； 它根本沒有刪除那句話，而是回到 視頻的 7 分 18 秒處，挖出了我之前說過的一句話。具體 技巧肯定會改變，但 清晰表達 意圖的能力永遠不會過時。這句話連結了第二段和第三段，起到了橋樑的作用。 它也巧妙地刪除了原始第三段開頭的過渡詞，因此前兩段保持不變。最終剪輯版長度為 84.9 秒，其修改說明中坦誠地承認，前段的表達 邏輯無法支撐這種過渡；請聽聽剪輯前後的對比。再次陷入無盡的學習焦慮之中。 但背後的邏輯其實非常簡單。只要機器仍然需要人類來解釋它們的意圖，這種能力的核心就從未改變過。 再次陷入無止盡的學習焦慮；具體技巧肯定會改變，但清晰表達意圖的能力永遠不會過時 。背後的邏輯其實非常簡單：只要機器仍然需要人類來 解釋它們的意圖，這種能力的核心就從未 改變過。 它並非只是粗暴地刪除句子；相反，它回到了原始錄像，找到了我說過的話，並 完整地完善了整個短視頻的邏輯 。這真的讓我很驚訝；這是你 在其他人的演示中永遠不會看到的真相——它不會 自行發現你的句子可能無法連貫。但只要你指出錯誤，它就能回到原始錄像，找到你說的一句話，然後為你保存 這段短片 。過去，我們必須一頁一頁地手工編輯。現在，只需要指出問題所在，它就會自動解決。好了，邏輯理順之後，讓 我們看看它的實際工作 能做到多麼精細。當我開始我的AI編輯專案時，耗時最長、最痛苦的部分是剪輯點 。在正常的、連續的語音流中，要剪掉兩個詞，同時也要確保音訊不會跳幀、卡頓或吞掉周圍的音節，這是一項 極其艱鉅的 任務。所以這次，我 在短片中選取了兩個位置，讓它從 句子中刪除「actually」和「purely」這兩個詞，禁止它觸碰其他任何內容，它首先精確地確定了這兩個詞的毫秒時間戳。 然後，在接縫處，施加了一個微小的 6 毫秒淡入淡出效果。字幕也同步更新了；完成後，我反覆聽了好幾遍 ，幾乎聽 不出任何 區別——沒有音頻卡頓，也沒有故障。 每當人工智慧這個熱門詞彙出現在業界時，你其實只有三種選擇。每當人工智慧這個熱門 詞彙出現在業界時，你只有三個選擇。需要解決的核心問題沒有改變，解決問題的方法和技巧也完全一樣。 這純粹是用一個新 術語重新包裝一下而已；核心問題沒有改變，解決之道也完全一樣。只不過是用新詞重新包裝了一下而已。當然，從視覺效果來看，它確實遇到了物理定律的限制。 雖然耳朵聽不到，但眼睛可以看到視覺上的跳躍， 因為我要求它 不能觸及其他幀，所以它無法通過切換到不同的場景來掩蓋跳躍。它甚至在報告中主動提到了這一點，Clo​​udCodeOPS 5.5 甚至還提出了一個建議， 詢問我是否想在剪輯點上添加四幀溶解效果，不過這次我 選擇不添加。簡而言之，它切掉了中間的文字，導致視覺上的跳躍——這是一個 完全正常的物理 限制，我們真的不能因此責怪它。完成文字編輯 後，我讓它從影片片段中挑選出最需要視覺輔助的 一句話，並添加動畫，而 影片片段的其餘部分保持不變。 它選擇“ 場景可能已經 從簡單的單字對話轉變為冗長而 複雜的流程鏈”，因為其他句子僅通過音頻和字幕即可理解，但這句話解釋了一種結構上的轉變，這確實需要視覺支持。因此，在 36 秒到 42 秒之間，它使用純程式碼 手繪了一個 6.8 秒的 全螢幕動畫，該 動畫 與節奏同步，形成一個 12 步的問答氣泡鏈，覆蓋了肖像，字幕則放置在頂層 。看完之後，我的 評價可以用一句話 概括：這部全螢幕動畫的比例感非常出色──它幫助觀眾理解抽象概念，同時又不會喧賓奪主。 核心目標保持不變。 然而，對話場景可能已經從簡單的單字對話轉變為冗長、複雜的流程鏈。現在潛在的問題可能完全不同了，這讓我更加好奇：既然可以創建一小段 全螢幕動畫…是否有可能 用動畫替換整個短影片？ 這是我們的第七項測試：製作一個包含 B 卷素材和人物訪談疊加的 完整影片。在做這件事之前，我並不認為第一次嘗試就能取得令人滿意的結果，所以我抱著「試試看」的心態去做 。當然，讓 AI 根據單一提示 生成教育動畫已經不是 問題了，因為這涉及到更簡單的生成圖像。 但這一次，我們將把一段完整的真人訪談影片轉換成動畫解說影片。 你必須保持原始音訊和字幕 不變，同時還要確保我添加的頭像 與相應的視訊片段完美 同步。 它沒有使用任何現有的素材庫或 人工智慧圖像生成工具。它是一筆一筆手繪完成的，配有一套 完整的故事板，將 40 個字幕片段分成大約 30 個不同的鏡頭。對話氣泡、三張卡片、一把鎖和一把鑰匙、一個砸向房屋的鐵球、一把用來 修理房屋的扳手，以及一支用來 編輯流程圖的大鉛筆——此外，右下角還有一幅手繪的我的圓形肖像，與原始音頻完美同步。看完之後我的反應是，這段 B 卷 動畫的效果真是太棒了； 真是令人印象深刻。每當人工智慧產業 出現新的流行語時，你其實只有三種選擇。第一種情況：老問題，老方法。 需要解決的核心問題沒有改變，解決方案和技術也 完全一樣。面對這樣的條款 ，你只需採用 一兩款人工智慧工具。完全沒有必要徹底放棄或放棄你 原有的系統。對於新出現的問題， 只要稍微調整一下習慣就夠了。只有當我們遇到這種類型的術語時，我們才應該採取第三項行動：改變我們的工作流程 。 然而，這段 影片有一個小瑕疵； 當字幕提到三個選項時，螢幕上的三張卡片只出現了不到一秒鐘。 報導坦誠地指出，它只能抽查靜態影像，無法 像人一樣預覽實際播放效果。但是，能夠僅使用程式碼 逐幀繪製出 一整套動畫 故事板，這表明其 完成度非常高。在整個測試過程中，沒有一項任務失敗或被拖延。 我對這次測試的整體評價是，所有任務基本上都沒有明顯的錯誤，而且完成得非常出色。此外，每次只需一次提示即可完成 ， 無需重複修補或重新擲骰子 。 那麼，讓我們回到最初的問題：Claude 3.5 Sonnet 的影片剪輯效率真的那麼高嗎 ？我的回答是，它的確非常強大，甚至比我預想的還要強大。如果任務分解 顯示它明天可以勝任工作，那麼 它將 負責從長影片中挑選精華片段 、精確地按節拍剪輯、字幕識別和對齊、自動合成調整、影片中摳像、多片段拼接、簡單的動畫，甚至重構整個線稿動畫。它在執行層面處理了所有這些繁重的工作。我們剩下的工作很簡單：在開始之前， 先 明確說明你的驗收 標準；最終影片發布 後，戴上耳機完整地聽一遍觀看。如果對話不流暢或畫面有問題，請指出來以便修正。說實話，考試之後，我覺得有點不安。當所有 繁重的執行工作都由機器完成時，還剩下什麼呢？ 「 好」或「可交付」的定義完全取決於你自己的判斷。沒有任何工具可以幫你 寫這些評估標準。如果你有一些原始素材堆積起來，並且想要立即啟動工作流程，那麼你可以從明天開始嘗試這種方法。 第一步， 不要一開始就剪輯一個很 長的影片。你可以截取一小段視頻，讓它選擇一個完整的點，你自己查看原始素材以 確認內容完整， 然後讓它繼續進行編輯 。至於第二步，你可以在它開始運行之前清楚地寫下你的驗收標準。這次我使用的三個錄取標準和七個完整的提示都已提供在這裡，供您根據需要使用。第三步，在多片段拼接完成後，您必須使用耳機來聆聽過渡點。一旦發現音訊或邏輯不連貫，只需指出問題所在，並要求重寫該部分即可。你可以選擇最佳輸出結果來填補空白。 最後，請記住這句老話：人工智慧沒有報告錯誤並不意味著它是正確的；你始終要對最終結果負責。工具功能越強大，清晰分解需求和定義標準的能力就越有價值。我的 MAPS 課程正是從這一步開始的，連結在課程描述中。 好了，我們下個影片見。