 |
1 coolxll 2 月 9 日gemini 和 youtube 整合的好 |
 |
2 gotOwt 2 月 9 日同求一个能看 b 站的 |
 |
3 huaweii 2 月 9 日 via Android我也有类似的需求。不过发现大部分都是语音转文字，一旦你的视频画面有大量语音没法覆盖的信息，基本上效果很差。 定制的多模态 agent 服务应该可以把画面和文字脚本结合的更好，等一个回复。 |
 |
4 rcj6056 2 月 9 日听你这个需求是 |
 |
8 junwind 2 月 9 日也就是大模型需要同时满足：能理解视频中的语音，图片，图片中的内容，以及把整体总结下来。 感觉也不是很容易。 |
 |
10 liudewa 2 月 9 日花钱用了几个 B 站的 感觉效果一般 原理都是先提取音频再音频转字幕,再把字幕扔给大模型总结 |
 |
13 zazzaz 2 月 9 日目前的 token 成本控制下，免费方案基本是提取 CC 字幕来获取信息，而一些付费但价格较低的方案，也主要是把语音转成文字、再交给模型理解。 |
 |
14 Sirius8 2 月 9 日我找过，目前技术还不太行，市面上的都是基于字幕生成笔记，跟 3 楼说的一样，如果视频缺失部分字幕效果就大打折扣 |
 |
16 pandatools 2 月 9 日我用的音频转文字，新闻类和历史类的效果其实还不错，deepseek 模型基本可用，性价比挺高的 |
 |
22 erek 2 月 9 日get 笔记挺方便 |
|
24 huaweii 2 月 9 日 via Android@furlxy 不一定需要每一帧视频都做图像识别。 语意分析视频文字稿，agent 分析出哪些文字稿的哪些上下文依赖于当前时间的画面，就可以按需提取关键帧，少量的截图画面分析就能比纯文字稿多出一大部分信息了。不过即使是这样，多花的 token 也不少，不过如果收费合理的话我可以接受 |
 |
25 hahastudio 2 月 9 日话说现在 YouTube 视频自带 Ask 了 |
 |
26 tyrad 2 月 9 日 via iPhonenotebookllm 要啥有啥 还能生成播客通勤听 |
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
