很多朋友跟我一样，日常有把视频、播客、会议记录音频转成文本的需求，尤其是要识别出发言人，把发言人和发言内容对上，这样可以节约大量时间去听几个小时视频，而且不会漏掉重点，毕竟文字阅读速度还是快多了。而且有了文本，还可以进一步生成摘要、写一篇文章。我自己一般会用 Google 的 Gemini 2.0 pro 模型来做这事，尤其是在 AIStudio（https://aistudio.google.com/ ）中使用 Gemini 所有模型还是免费的，只是麻烦的是 AIStudio 只对部分国家地区开放，在国内是无法直接访问的，可惜这方面我也没什么办法。这里重点还是分享一下日常我是如何借助 AI 来转换音视频文稿的。通常我有几种场景：生成带发言人和时间戳的生成段落格式友好的文稿（还可能加上翻译）提示词怎么写？这两种提示词会略有差别，但要点都是：要求：你希望模型做的事情，比如让 AI 提取音频文稿背景信息：这个音频主题是什么？参与人都有谁？一些专有名词（可以避免识别时的拼写错误）是什么？输出格式：你可以规范输出的格式，而且你可以用大括号包起来的占位符来描述各个部分的位置。比如下面是我用过的两套提示词供参考：请按照 Speaker 提取文稿请按照 Speaker 提取下面音频文稿，背景信息：标题：厚雪长波×美轮美换：不再自信的美国主持：七一 罗夏嘉宾：王浩岚尝试匹配上 Speakers 的名字，并在每个人后面加上开始发言时间，格式如下：{Speaker Name} {Time, format: HH:mm:ss}:{Content}按照段落格式整理文本并翻译成中文请生成这个视频的完整的字幕，不需要时间戳，整理成段落格式，并翻译成中文。模型怎么选？优先使用 Pro 模型，虽然速度慢一些，但是输出质量最好，无论是 Gemini 1.5 Pro 还是 Gemini 2.0 Pro 都可以。Lite 模型会幻觉比较严重。视频文件还是音频文件？如果你只需要音频转成文本，那么就把视频先转换为 mp3 或者 wav 等音频格式减少输入体积；如果视频文件体积很小，就没必要费事直接发过去简单；如果你的文稿依赖于视频画面，并且视频文件不是很大，那也可以直接用视频，尤其是有些只有画面没有声音的视频，Gemini 的多模态做得很好，视频音频都可以识别。如果一次输出不完整怎么办？AI Studio 上，每次输出的 Token 限制最大 8K，超过了就会自动停止，通常每次只能输出 20-30 左右的音频长度，当出现输出中断后，只需要输入“continue”或者“继续”就可以让它继续输出。但是当音频长度超过 2 小时，可能继续输出会幻觉很严重，输出内容和音频对不上。所以这种情况下要把视频分割成若干段，每一段不要超过 2 小时，甚至更短。出现幻觉怎么办？大语言模型在输出时，可能会有幻觉，有时候明明音频已经结束了，但在继续编造后续内容，音频长度越长越可能出现幻觉，所以一定要校对，对一些关键位置对照一下输出的内容。每一次输入“continue”继续输出后，最好检查一下，如果发现幻觉了，可以把这一段删除，重新开始。如果最后出现幻觉的内容不多，也可以不删除，在输入“continue”的时候，可以加上继续输出的位置，这样它可以从你要求的位置重新生成，这样也可以有效避免。怎么导出输出的内容？AIStudio 在导出对话历史上做的很糟糕，你只能一条一条复制粘贴出去，在每条消息菜单上，都有一个复制文本或者复制 Markdown 的菜单项，建议复制为 Markdown，并且结合 Markdown 编辑器，这样可以保留加粗等格式。除了 Gemini 还有没有其他选择？很多人没条件访问 Gemini，或者隐私数据不想被泄露，这种情况下建议使用 Whisper 模型相关，Mac 下我推荐使用开源的 WhisperKit：https://github.com/argmaxinc/WhisperKit ，用 Python 的话可以试试：商业的飞书妙记和 MemoAI 也不错，这都是我自己用过的靠谱的，唯一的问题就是 Whisper 这类模型不能直接识别发言人，要识别发言人还要配合其他模型。
