逐字稿文字預覽
Workbody半个小时,被玩一节课的教案PPT课件还有课堂测试题顺便做了个课堂小游戏。想早下班的老师看完这期就行了。本系列教学从AI与各职业提效入手,每个环节都给你配上具体的提示词和Skill实操。现在开始。 第一步装好并加载Education Lesson Planning备课技能。先去Workbody的技能市场,点击SkillHub,来到SkillHub官网,点击技能下的专家包,选择教育Tab,我们会看到教案设计。点击进去将安装提示词复制给Workbody, 一键安装装好之后它不是一个人在战斗,而是自动把六个字技能一起拉进工作区。 第二步新建一个工作区将教材PDF托入目录。 我这里准备的是四年级英语PEP版上册。 第三步复制以下提示词,我在准备Uni1MyClassroom第一课。 根据教材PDF,用Education Lesson Benning技能出一份教学评,一致性教案,含教学目标重难点。 六环节教学过程,版书设计分层作业,格式Word五分钟,一份完整备课包出来了。 但别直接用做两件事 第一上传你的贝克表模板 让AI根据你的模板进行二次真实调整 第二家风格多说几次你的要求 他会记住 如果你有以前的贝克内容 也可以上传给AI 让AI根据你以前风格进行模仿 第一步新开一个绘画 切到设计创意 第二步选PPT设计 把四块站位换成AI生图 这样AI生成的PPT会带有真实的高质量插画 第三步把我们前面做的那份贝克包拖进对话框 然后说用PPT设计 根据这份贝克文档做一份第一课的课件 课堂教学风 它会照着贝克文档里的教学目标 直接生成一版带图片的完整PPT 改到满意导出为PPTX 这个环节不用等课件做完 能和出PPT并行跑 更省时间 而且出题根本不用另开绘画 就在场景一的贝克对话框里接着赶第一步 在贝克对话框里把生成的贝克包喂给他 第二步说这句话 用Classroom Lesson Pack 根据生成的贝克包出一份第一课课堂测试题 导出味儿 几分钟试卷出来了 选择题有选项 连词成具有标准答案 阅读有判断 连听力录音稿都给你写好了 过一遍 AI偶尔出超纲题 这三个场景即开即用 想效果翻倍 搭自己的教学知识库 Workbody可以连腾讯 IMA知识库教材PDF 课程标准历年试卷 你的教案模板全存进去以后 出的每一份东西 都基于你自己的资料 用得越久 它越懂你 光有课件和卷子还不够 顶部type切到代码开发 将贝克包发给他 跟他说 根据贝克包用HTML和JavaScript 写一个单词闯关小游戏 点单词出图 点图选词配记时和积分单文件HTML 打开集完几分钟 一个能投评完的网页小游戏就出来了 Bagboard Blackboard Classroom 好了本期视频结束了 大家记得点赞深受加关注 下一期讲哪个职业你说了算 如果今年只能学一个AI工具 请把学习的机会留给Workbody Workbody是什么 你可以把它当成Codex的国内平替版 界面布局和操作逻辑基本一模一样 但Workbody则更适用于中国宝宝体制 无需猫扒架 不吃配置 而且还可以免费白嫖 更重要的是 它适用于国内各种主流办公软件 过去需要你在几个软件直接来回切换地工作 现在可以交给Workbody统一处理 整理资料 生成文档 分析表格 执行重复任务 它不只是陪你聊天 而是真的能帮你干活 但很多人打开Workbody以后 还是只会问几个简单的问题 工具明明很强 最后却被用成了普通聊天软件 所以我花了将近三个月的时间 打磨了这套Workbody小白实战课程 整套课程分为入门篇 案例篇 进阶篇和行业篇 共计30个知识点 从基础操作到真实办公案例 再到进阶工作流 我都会带你一步一步的完成 不会编程没关系 没接触过AI也没关系 只要照着课程实操 你就能逐渐把自己的重复工作交给AI 同时我还整理了一份与课程配套的Workbody资料包 里面详细包含了安装案例拆解 Skill定制和行业落地四大板块 同时我还准备了12个常用的Skill 以及更多能上手的实操资料 点个一键三连 评论区回复777 我把整套资料发给你 废话不多说 我马上开始今天的课程 大家好 从今天开始 我们的系列课程将会给大家讲解Workbody的使用方法 在正式开始之前 想要问大家一个扎心的问题 那就是大家接触了这么久的AI 学了一堆的AI提示词 你的工资涨了吗 相信不少人心中都已经有答案了 之所以会这样 因为提示词的本质只是建议 建议并不值钱 执行才值钱 所以我们接下来要讲解的workbody 便是一个将建议变成执行的工具 为了方便大家学习这套课程 我还制作了一本关于workbody的绿皮书 会从最基础的安装 到workbody的省钱秘籍 你都能配合着我们这套课程学习到 如果大家需要的话 可以直接在评论区 扣虑皮书 同时点点关注 就能获取这本学习资料 回到正题 相信很多人使用AI的方式 就是打开聊天框 提问 然后复制结果 其实这样的方式 并不算是真正的使用了AI 因为像这种传统的网页AI 只是一个单纯的问答工具 并没有真正能够操作 电脑本地文件的权限 看似是我们在使用AI 实际上是我们在给AI打工 像一些能够实际落地的操作 还是需要我们用鼠标键盘去操作 整个过程还是比较繁琐的 所以我们设想一下 如果说现在有一个工具 只要我们说一句话 它就能够自动操作电脑 能够帮助我们自动整理文件 开发简单的网站 或者说发送废书消息 而我们只需要检查最终的交付结果 这样一来 是不是就能极大的提升效率 让AI真正为我们所用了呢 没错 我们今天要讲解的Workbody 就是干这个事情的 像我们当前所见的 便是Workbody的官网 所以到底什么是Workbody呢 它是一个桌面AI智能体 也就是agent 不是单纯的聊天对话框 大部分的AI大语言模型 都是我们提问 然后AI帮我们输出文字答案 再多一些无非是功能比较全 可以生成音乐 生成视频 或者生成图片 但无论如何 它都没有权限去操作本地电脑的文件 而workbody只需要我们下达自然语言任务 就像和真人讲话一样 告诉他我们想干嘛 或者让他去干嘛 那么他就可以自动分派 调研 执行 和交付 它的核心价值便是可以直接操作本地电脑 完成真实的办公任务 而不再是给我们一些建议或者操作方法 那么问题来了 相信大家在了解workbody之前 可能最先听说的是codex 那既然已经有了功能更强大的codex 为什么还要去学workbody呢 我们打一个简单的比方 如果说codex是特种兵的话 那么workbody就是大学生 特种兵虽然厉害 但需要一个长官去制定详细的作战方案 我们需要告诉他具体是哪个文件 哪个目录 在执行时用什么参数 需要相对更加专业的技能和长足的经验 而workbody就是一个听话的大学生 他也许无法处理特别复杂的任务 但我们简简单单的把它招过来 要去把某个文件发给谁 要去整理什么档案 像这种简单的任务 workbody都是可以处理的 而我们自己身为一个领导者 可能暂时还没有能力去掌管codex 但指挥指挥大学生还是绰绰有余的 所以大家在正式学习CodeX之前 不妨先来学习Workbody Workbody的优势就是装好机用 不需要配置环境 不需要敲命令行 而CodeX则需要更强的动手能力 同时向Workbody能够适配的环境 如飞书 丁丁 企业微信和腾讯文档 都是深度打通的 而CodeX则更偏向于海外生态 对于国内的办公软件支持的很有限 当然大家最关心的自然是使用成本方面 向Workbody每日能够赠送积分 同时遇上一些活动的话 还能赠送几千积分 一个月下来 如果每天领取的话 至少能有三千积分到手 而CodeX则是订阅付费制的 需要实打实地付出真金白银 往往在学习阶段 就要支付大量的学习成本 所以建议大家 在打开并登陆Workbody之后 每天在 我们下面来看一下新手 对于学习Workbody或者CodeX这类软件 经常遇到的一些认知误区 首先第一个 Workbody就是拆着GPT的桌面聊天板 这个认识并不准确 因为Workbody不只限于聊天 除了可以像GPT一样 通过对话的方式给出一些指导和建议之外 它还能够读取本地文件 调用工具 自动执行任务 所以此时我们的思维要从向AI提问 切换为管理AI干活 我们自己是一个真正的管理者 Workbody是你的员工 而电脑就是你的公司 再来看第二个认知误区 那就是codex更强 所以要直接学习codex 需要注意的是 codex门槛会更高 适合有编程基础的人 而普通的职场人 优先使用workbody把工作落地 甚至可以说 对于大多数工作 如果你只学习了workbody 也是完全够用的 这时如果觉得不够用了 再进一步的学习codex 这样的学习路径 能够尽可能减少学习成本 而第三个认知误区 就是功能多 学起来很难 事实上我们来看Workbody的操作界面 是不是和很多AI大语言模型 比如签问 豆包 或者GPT非常类似呢 所以我们学习Workbody 其实更多的并不是学习它的界面功能如何使用 而是需要转变我们的提问思维 从单纯的问问题 转换为发出一个命令 让Workbody帮助我们如何操作电脑 所以无需担心功能多很难学的问题 完全可以一边看着视频学习一边操作 我们再来了解一下workbody究竟能干嘛呢 首先便是文件管理 像本地文件的批量分类 批量重命名 或者是多文档的信息汇总 打个比方 像我在录制教程时 就会给文件命名 01 02 03 04 但有时可能会出现这样的问题 就是某一节课时长过短 需要把它整合到另一节课上 但文件夹的命名已经起完了 如果将这节课合并到上一节课 就会导致排序不再是1234 可能是134 此时如果想要重新起名字 就要一个文件夹 一个文件夹的去改名 会非常的麻烦 那么这个时候 我们就可以使用workbody的功能 让它直接帮我们 自动对文件进行重新命名 此外像文档数据的处理 比如周报 Excel表格 还有网站的开发 包括像飞书丁丁的协同合作 或者周期性的生成工作汇报 这些全部不是纸上谈兵 我们只要给出合理的指令 workbody都可以直接帮我们执行 讲了这么多 相信大家对今后的学习 已经跃跃欲试了 所以不妨点个关注 跟着我来学习后续的课程 最后来总结一下 相信通过这期视频的学习 大家已经能够区分 普通的AI聊天 与桌面AI agent的本质区别 同时也理解了workbody的定位 它是你的AI员工 不只是聊天机器人 同时也清晰地掌握了workbody codex的差异 以及他们的适用场景和成本 也希望大家通过本节课的学习 能够将思维从AI提问者 进化到AI管理者 如果你觉得这期视频的内容对你有帮助 也不要忘记点赞关注 我们就下期视频再见
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：297.9 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：43.6 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：0.6 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：0.7 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：0.7 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：0.7 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：0.8 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：0.8 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：0.8 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：140.7 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：0.8 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：0.9 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。