Lecture Video to PDF & Transcription Studio：把課程影片轉成講義 PDF，也能輸出逐字稿字幕

作者：


去年三月，我曾經寫過一篇文章，介紹自己改良過的一款小工具：《Video to PDF with Transcription：免網路、快速轉影片成投影片+語音轉文字的免費工具！》。

那時候的需求很單純。

我常常會看課程影片、線上教學、讀書會錄影或簡報型影片。這類影片如果只有影片檔，其實很不方便複習。你要一直拖時間軸，找到某一張投影片，再手動截圖，最後還要整理成 PDF。

所以當時我就做了一個小工具，希望可以把影片裡的投影片畫面擷取出來，整理成一份講義 PDF。對我自己來說，這個工具確實有解決一些真實需求。

不過老實說，當時的版本也有一些限制。


舊版能用，但還有幾個明顯問題

當時的版本比較像是早期自用工具。可以跑，也真的能產出 PDF，但遇到比較複雜的影片時，效果就不一定穩。

舉例來說：

  • 如果投影片裡有很多動畫，可能會把同一頁重複擷取好幾次。
  • 如果換頁很快，有些投影片可能會被漏掉。
  • 如果影片畫面裡有講師視窗、Zoom 版面，或投影片區域一直改變，擷取判斷就容易受影響。
  • 舊版啟動速度比較慢，介面也比較像測試工具。
  • 語音轉文字功能當時沒有做得很穩，實際使用上比較難當成主功能。

這些問題其實不難理解。

那時候 AI agent 還沒有現在這麼成熟，我很多流程是靠自己在網頁版 ChatGPT 一來一往慢慢調。那個時代能把工具做出來已經算有趣，但如果要公開分享給更多人用，工程品質、介面、安裝方式和錯誤處理就還需要再整理。

所以這次我重新做了一版。

新版專案名稱叫做 Lecture Video to PDF & Transcription Studio。中文名稱我暫定為「課程影片轉講義 PDF 與逐字稿工具」。


新版主要想解決什麼

我這次的想法很明確：核心功能仍然是「把課程影片轉成講義 PDF」。

但我也發現，語音轉文字其實是另一個很實用的需求。很多時候我不一定需要 PDF，我只是想把一段課程錄音、會議錄音或影片轉成字幕檔和逐字稿。

所以新版把功能拆成兩個正式入口：

  1. 影片轉講義 PDF
  2. 語音轉文字

前者適合整理簡報型影片，後者可以單獨處理影片或音檔。

這樣使用情境會清楚很多。想要 PDF 的人，就專心用 PDF 流程。只想要字幕或逐字稿的人，也不用被投影片擷取功能綁住。


影片轉講義 PDF：多了審核與補救空間

新版在影片擷取 PDF 的流程上，重點不是盲目把影片每隔幾秒截一張圖。

它會先分析影片畫面變化，找出可能換頁的時間點，再擷取原始解析度畫面。接著會用相似度判斷，把很像的重複投影片合併掉。

不過我自己很清楚，這類工具不可能永遠百分之百判斷正確。影片來源太多了，有些是正式簡報錄影，有些是 Zoom，有些右下角有講師畫面，有些還會一直跳動畫。

所以新版多了一個我覺得很重要的功能：縮圖審核。

產生結果後，你可以在 Web UI 裡看到每一張擷取出的投影片縮圖。若有誤擷取，可以直接刪除；若順序不對，也可以調整順序，再重新產生 PDF。

換句話說，這次不是完全賭演算法，而是讓使用者可以在輸出前做最後整理。

如果影片的版面比較特殊，例如右下角有講師視窗，也可以手動輸入裁切範圍，讓工具只看主要投影片區域。這對課程錄影或線上簡報影片會很有幫助。



語音轉文字：可以獨立處理影片與音檔

這次另一個升級重點，是語音轉文字。

新版支援兩種主要路線：

  • 本機 faster-whisper
  • OpenAI-compatible ASR endpoint

如果你想在本機跑，可以選 faster-whisper。第一次使用時，工具可以協助安裝相關依賴。模型不會包在程式裡，而是第一次使用時再依照模型設定下載。

如果你已經有本機或雲端 ASR 服務，也可以使用 OpenAI-compatible endpoint。這代表你可以串接像 Groq Whisper API、本機 QwenASR、faster-whisper server、whisper.cpp server 這類相容服務。

我自己在測試時，也有特別讓它可以搭配 QwenASRMiniTool 這種本機工具。QwenASRMiniTool 本身可以開 OpenAI 相容轉錄端點，新版工具只要填入 endpoint，就可以透過同一個介面使用。

有些服務會讓使用者選模型，有些本機服務其實是由服務端自己決定模型。新版在測試連線後，會盡量偵測端點狀態。如果端點是服務端固定模型，就不會硬讓使用者以為自己可以從前端切換模型。



字幕輸出也比較適合真的拿來播放

語音轉文字會輸出兩種常用檔案：

  • transcript.txt
  • transcript.srt

transcript.txt 適合閱讀與整理筆記。
transcript.srt 則可以搭配 PotPlayer、VLC 或其他播放器，和原始影片一起播放。

舊版或一般 ASR 工具常見的問題，是 SRT 字幕一次塞太多文字。放到播放器裡時，字幕會蓋住整個畫面，看起來很亂。

新版的 SRT 會盡量切成較短的字幕段落，預設每段最多兩行。這樣搭配投影片影片播放時，畫面會比較容易看。

另外，中文輸出也做了調整。語言選單可以選「自動偵測」、「繁體中文」或「簡體中文」。如果選自動偵測，偵測到中文時會優先轉成繁體中文。這對台灣使用者會比較自然。


安裝方式一：直接下載 Release

如果你只是想使用工具，建議先從 GitHub release 下載打包版。

下載位置：

https://github.com/taoyutsun/lecture-video-to-pdf-transcription-studio/releases/tag/v0.1.0

下載 LectureVideo2PDF-v0.1.0-windows-x64.zip 後解壓縮。

在解壓縮後的資料夾中開啟 PowerShell，執行：

.\LectureVideo2PDF.exe run

啟動後預設會開啟：

http://127.0.0.1:8787/

如果你的電腦上剛好有其他程式也使用 8787，可以改用其他 port，例如：

.\LectureVideo2PDF.exe run --port 8788

安裝方式二：從 GitHub source 執行

如果你比較熟悉 Python，也可以直接從 source 安裝。

git clone https://github.com/taoyutsun/lecture-video-to-pdf-transcription-studio.git
cd lecture-video-to-pdf-transcription-studio
py -3.10 -m venv .venv
.\.venv\Scripts\python.exe -m pip install -U pip
.\.venv\Scripts\python.exe -m pip install -e .
.\.venv\Scripts\python.exe -m lecture_video_to_pdf run

安裝後也可以使用 CLI：

lecture-video-to-pdf run
lecture-video-studio run

這兩個命令是等效的，選一個使用即可。

如果你是從 release 版下載，不會看到 lecture-video-to-pdf.exe 這種檔案。release 版請用：

.\LectureVideo2PDF.exe run


如何把影片轉成講義 PDF

進入 Web UI 後，先停在「影片轉講義 PDF」分頁。

基本流程如下：

  1. 選擇或拖曳影片檔。
  2. 設定輸出資料夾。
  3. 選擇處理模式。
  4. 若影片版面特殊，可以設定裁切範圍。
  5. 按下開始擷取 PDF。
  6. 等待投影片縮圖產生。
  7. 在縮圖審核區刪除不需要的頁面，必要時調整順序。
  8. 套用審核並重建 PDF。

如果只想要 PDF，就選「只擷取 PDF」。

如果想同時取得逐字稿與字幕，就選「PDF + 語音轉文字」。

輸出結果大致會長這樣：

output/
  video_name_YYYYMMDD_HHMMSS/
    result.pdf
    metadata.json
    slides/
    thumbs/
    transcript.txt
    transcript.srt
    slide_map.md

其中 result.pdf 是整理好的講義 PDF。slides/ 會保留每張投影片圖片。metadata.json 會記錄每張投影片的時間點與相關資訊。

如果有啟用語音轉文字，會多出 transcript.txt、transcript.srt 與 slide_map.md。


如何只做語音轉文字

如果你只想把影片或音檔轉成逐字稿，可以切到「語音轉文字」分頁。

這個模式支援常見影片與音檔，例如：

  • .mp4
  • .mkv
  • .mov
  • .mp3
  • .wav
  • .m4a
  • .flac

操作方式也很簡單：

  1. 選擇或拖曳影片 / 音檔。
  2. 選擇 ASR 引擎。
  3. 選擇語言。
  4. 選擇輸出格式。
  5. 開始轉錄。

ASR-only 模式不會產生 PDF，也不會跑投影片偵測。

輸出結果會是：

output/
  media_name_YYYYMMDD_HHMMSS/
    transcript.txt
    transcript.srt
    metadata.json

這對整理課程錄音、訪談錄音、會議錄音其實很方便。


本機模型和雲端模型怎麼選

如果內容比較敏感，或你希望盡量在本機處理，可以用 faster-whisper，或串接自己的本機 ASR endpoint。

如果你本機已經有 QwenASRMiniTool，也可以先啟動它的 OpenAI 相容端點，再回到這個工具填入 endpoint。

如果你想要速度，或想測試雲端模型的效果，也可以使用像 Groq 這類支援 Whisper API 的服務。

這裡要提醒一下：只要使用雲端 ASR endpoint，音訊內容就會送到該服務處理。是否適合使用，要看你的資料性質與該服務條款。

另外，工具本身不會把 API key 寫進輸出檔、metadata 或專案設定。API key 只會在目前頁面、HTTP request 與背景工作記憶體中短暫使用。


目前版本的限制

目前 release 是 v0.1.0。

雖然已經可以實際使用，但我還是會把它視為第一個公開版本。

幾點要先說清楚：

  • 如果影片動畫非常多，仍建議轉完後做縮圖審核。
  • 如果投影片區域很特殊，建議手動設定 crop。
  • 目前沒有做 OCR PDF，也就是 PDF 裡面的投影片文字還不是可選取文字。
  • 目前沒有做 speaker diarization，也就是不會自動分辨不同講者。
  • 外部 ASR endpoint 的品質與限制，會依你使用的服務而不同。

我自己的判斷是，第一版先把「課程影片轉講義 PDF」與「語音轉文字」這兩條路做穩，比一開始就塞太多功能更重要。


GitHub 專案與下載位置

專案已經放到 GitHub：

https://github.com/taoyutsun/lecture-video-to-pdf-transcription-studio

v0.1.0 release：

https://github.com/taoyutsun/lecture-video-to-pdf-transcription-studio/releases/tag/v0.1.0

如果你只是想試用，建議先下載 release zip。

如果你想看程式碼、自己修改或回報 issue，就可以從 GitHub repo 開始。

這次對我來說，比較像是把去年那個「能用的小工具」整理成一個比較完整、也比較能分享給別人的版本。

做工具最有趣的地方，大概就是這樣。

一開始只是自己遇到一個麻煩，想辦法解掉。後來技術變成熟，工具也可以再往前走一步。最後如果剛好也能幫到其他有類似需求的人，這個小工具就能從我自己的資料夾，變成一個可以被更多人拿去使用的開源專案。


📌 您可能也會有興趣的其他文章:

留言

張貼留言

熱門文章

Gemini Voyager 教學：資料夾管理、引用回覆、去浮水印一次搞定

作者：
圖片
  你一定也遇過：Gemini 越用越順，卻也越用越卡 這三年多，大家最常用的 AI 工具，從 ChatGPT 開始。 最近又因為 Gemini 的 Nano Banana Pro 繪圖功能 很紅，很多人也開始慢慢轉過去。 我自己用下來的感覺是：Gemini 確實越來越好用。 但在操作介面上，跟 ChatGPT 比起來則仍然稍嫌不足。 你有沒有遇過這種狀況？ 對話沒有專案 / 資料夾分類 你問過的內容、你存過的靈感、你整理過的資訊，全都散落在最外層。 你想找過去的某一條對話。你只能一直滑、一直滑、一直滑。 滑到最後，你的耐心比你的手指先沒電。 圖片右下角自動加上浮水印 你想要一張乾淨的圖。你想直接拿去做簡報、做封面、做貼文。 但右下角那個浮水印就在那邊。 你只好再丟去第三方工具處理。流程被切斷。手感也被打斷。 沒有「引用回覆」功能 你想針對某一句話追問。你想針對某一段內容延伸。 但 Gemini 沒有像 ChatGPT 那樣「選一段就回那段」的引用回覆。 你只能自己重打、自己描述「我剛剛是指哪一段」。頗為麻煩。 所以我最近找到一個瀏覽器外掛。 它剛好把這些洞都補了起來。  Gemini Voyager：不是小修小補，是整套升級 我說的外掛叫 Gemini Voyager 。 它是一套「把 Gemini 介面補完整」的強化工具。 官方的定位很直接：時間軸、資料夾、提示詞庫、對話匯出，一次補齊。 下面這 5 個亮點 ，是我個人覺得最實用，也是你一裝就會立刻有感的功能。 5 大亮點 資料夾分層管理 + 匯出 / 匯入 你終於可以把對話「收進資料夾」。你也可以做「子資料夾」。 你還可以把整理好的結構帶走，換電腦也能延續。 圖片自動去除 Gemini 浮水印（NanoBanana） 這點我覺得很關鍵。 它不是用 AI 亂塗。它是用 反向 Alpha 混合（Reverse Alpha Blending） 做像素級的計算移除。 官方也強調「非 AI 重繪、像素級精度、非水印區域一致」。 引用回覆（選一段就回那段） 你在對話中選取任意一段文字。旁邊會跳出「引用回覆」按鈕。 你點一下，它就把引用格式直接塞進輸入框。 回覆更精準。追問也更省事。 對話框區塊變大（影院模式 / 寬度調整） 預設介面太窄，看表格、看程式碼、看長段落都不舒服。 Voyager 直接讓你把聊...
Read more »

用AI一鍵生成簡報PPT投影片真的有那麼神？全網最詳細AI簡報工具彙整與實測心得

作者：
圖片
一、前言 從2023年OpenAI爆紅之後，AI內容生成這件事就已經從專業圈擴散到大眾日常，幾乎變成全民話題。你一定也有發現，這兩年不管是學生、老師、上班族還是家長，大家都在問：「AI真的可以直接幫我生一份PPT簡報嗎？」 最近剛好親友有授課示範的需求，特別來問我：「現在AI可以做的簡報，真的一鍵搞定嗎？怎麼做？有推薦的工具嗎？」這問題問到我心坎裡。目前網路上雖然隨便搜尋就有一大堆推薦文，但是平台工具實在太多了，相信對一般使用者而言，一時之間根本眼花撩亂不知從何看起！ 所以我決定系統性來幫大家回顧整理一下，目前各種常用於製作生成簡報PPT投影片的AI工具。無論你是老師、職場工作者、學生還是專案管理者，只要你曾經煩惱過「要做PPT投影片但沒時間、沒靈感、沒美感」──這篇文章保證超實用！ 我會從 需求與痛點切入 ，直接帶你看懂 AI做簡報的原理 ，然後 把市面上熱門的平台通通分門別類，逐一比較與解析 ，不藏私地把每個平台「官網、功能、價錢、優缺點」全都列清楚。甚至連你想不到的小眾工具、進階技巧，也一起收錄進來。 希望你看完這篇，能夠一次搞懂現在AI簡報的所有玩法，未來不管是臨時要趕交簡報、還是教學示範、工作提案，都能游刃有餘，還能選出最適合自己的工具組合。 二、AI生成簡報的需求背景與原理 為什麼這麼多人想用AI做簡報？ 先問你一個問題：你做簡報有沒有「拖延症」？是不是每次一想到要打開PPT，就開始覺得頭很大？如果你有這種感覺，真的不是你一個人。不只學生、老師、上班族，甚至很多高階主管，其實都超討厭「做簡報」這件事。為什麼？因為這個過程真的很「磨人」。 傳統簡報的三大痛點 花時間 從發想主題、找資料、抓重點，到內容組織、排版、找圖片，光是這些流程一來一往，往往半天、一天就過去了。加上每次要換個新風格、重頭設計模板，更是倍增工作量。 沒靈感 很多人寫到一半就卡住，不知道怎麼開頭、怎麼下標題、怎麼結尾。有時候腦袋明明有概念，但要化成簡報內容時就變得零零落落，結果內容拖稿，報告壓力又來了。 設計難 有內容沒美感也是一個大問題。很多人做出來的簡報，內容OK但排版醜、顏色亂，圖片放不對地方，結果台下觀眾根本記不住你要表達的重點。這不只是視覺問題，更會直接影響簡報的說服力。 AI生成簡報的共通原理 這幾年AI興起，就是針對這些痛點出現的解法。AI生成簡報到底怎麼運作？其實它背後的邏...
Read more »

為什麼 Nystatin（制黴菌素）要「漱口或塗抹」，不是直接吞？完整解析與用法指南

作者：
圖片
  你也拿過「要用來漱口的膠囊」嗎？ 在醫療院所執業時，藥師常常會遇到這樣的情境：病人領到一顆寫著 Nystatin（制黴菌素） 的膠囊，卻被告知不是拿來直接吞下去，而是被醫師交代要「打開膠囊，把裡面的粉末調水漱口」或「用棉棒塗在口腔裡的白斑」。 對第一次聽到的人來說，心中一定冒出很多問號： 為什麼這顆膠囊不像其他口服藥一樣直接吞？ 用來漱口或塗抹時，要在口中停留多久才有效？ 那停留過後，應該吞下去，還是吐掉比較安全？ 這些疑問其實很常見，不只是一般病人，就連新手藥師在發藥衛教時可能也常會遇到病人追問。本文就要帶大家一次搞懂： Nystatin 到底是什麼藥？為什麼要用來漱口或塗抹？又該怎麼正確使用，效果才會好？ 藥品介紹：Nystatin 到底是什麼藥？ 說到 Nystatin（制黴菌素，nystatin） ，它並不是什麼新藥，反而算是抗真菌藥裡的「老前輩」。它屬於 聚烯類抗真菌藥（polyene antifungal agent） ，跟大家比較熟悉的兩性黴素 B（Amphotericin B）同一個家族。 它的作用機轉很有意思。Nystatin 會去「鎖定」真菌細胞膜上的一種特殊成分，叫做 麥角固醇（ergosterol） 。這就像是真菌細胞膜的建材，一旦 Nystatin 結合上去，就會讓細胞膜出現破洞，裡面的水分和電解質會流光光，最後導致真菌死亡。換句話說，這藥不是靠抑制，而是直接「破壞城牆」的概念。 那為什麼 Nystatin 對人體相對安全？因為我們人體細胞膜主要的成分是 膽固醇（cholesterol） ，而不是麥角固醇。這也代表它只會挑針對真菌下手，不會亂攻擊我們自己的細胞，所以可以安心用在口腔或腸道黏膜。 臨床上，Nystatin 的主要作戰對象是 白色念珠菌（Candida albicans） 及其他 Candida 屬的真菌。這些小小的黴菌平常就住在我們的口腔和腸道裡，原本相安無事，但當免疫力下降、或是菌叢失衡時，就會趁機大量繁殖，引發惱人的感染。 常見的劑型和濃度則有： 口服懸液（oral suspension） ：最常見的劑型，濃度多為 100,000 units/mL ，每瓶約 30–60 mL，方便量取漱口使用。 膠囊（capsule） ：常見規格是 500,000 units ，一般原...
Read more »

Google AI Pro 隱藏福利！每月 10 美元額度怎麼領？完整設定步驟 + 安全防護

作者：
圖片
前陣子我在文章〈 想玩 AI Agent 自動化卻怕太花錢？9 個免費與高 CP 值雲端 API 來源一次整理 〉中提到，如果你訂閱了 Google AI Pro，除了可以享受更快的回應速度和更好的模型表現之外，還有一個隱藏福利很多人不知道： Google 每個月會額外贈送 10 美元的 Google Cloud Credit 。 這筆額度可以用在 Google AI Studio 或是 Gemini 的 API 上，對於日常使用 OpenClaw 做輕量自動化任務來說，綽綽有餘。但很多朋友跟我反應，不知道這筆額度該怎麼領取和啟用。今天這篇文章，我就來一步一步教大家如何完成設定。 為什麼這筆 10 美元額度很有價值？ 在開始教學之前，先簡單說明這筆額度的價值： 每月 10 美元 ：以 Gemini 2.5 Flash 的定價（input $0.15/M tokens，output $0.60/M tokens）計算，可以跑超過 1,500 萬 input tokens 速率限制更寬鬆 ：付費 tier 的速率限制遠比免費帳號寬鬆，Gemini 2.5 Pro 大約 150 RPM / 2,000 RPD，Flash 更高 1M context window ：Gemini 的 100 萬 tokens 上下文長度，是其他家目前拼不過的優勢 隱私保障 ：付費 tier 的對話資料不會被 Google 記錄用於訓練 簡單說，如果你已經訂閱了 Google AI Pro（每月 $19.99），這筆 10 美元額度不拿白不拿。 Google AI Pro 10 美元 Cloud Credit 啟用步驟 步驟一：在 Google Cloud Console 建立結算帳號 (Billing Account) 要使用這筆 $10 的額度，Google Cloud 需要一個能接收這筆「點數」的帳戶，同時也需要綁定信用卡作為身分驗證（以及超出額度時的扣款預備）。 操作步驟： 前往 [ Google Cloud Console ] 確保登入的是訂閱 AI Pro 的那個 Google 帳號 （這點很重要，不要用錯帳號） 點擊左上角的 導覽選單 （三條線圖示），選擇 「帳單」(Billing) 點擊 「管理帳單帳戶」 或 「...
Read more »

Windows 桌面圖示每次重新開機或外接螢幕就跑位亂移？從設定排除到 DesktopOK 一鍵還原完整攻略

作者：
圖片
桌面圖示每次重開機就跑位，到底是在整誰？ 不知道你有沒有遇過這種情況：你明明已經把電腦桌面上的捷徑、文件，照自己最順手、最舒服的方式排好——比如工作管理員、系統服務、系統設定那幾個常用的系統工具，我一定會放在電腦桌面上固定的位置，滑鼠游標移過去不用想就點得到。 結果咧？每次只要一重開機，或是你有外接螢幕、接投影機開會，因為解析度變了、縮放比例跑掉了，桌面的圖示就像被什麼神秘力量「重新洗牌」一樣： 不是被系統自動重排，就是整個跑位 。你本來排得整整齊齊的邏輯瞬間崩壞，然後你又得手動一個一個把它拉回來。 一次兩次還好，但如果你是那種 時不時要去會議室簡報、常常要插拔外接螢幕 的人，或是電腦剛好又需要重開機更新，那這種「桌面圖示跑位」就會變成日常。你可能會想：欸把幾個跑位的圖示拉回來，也不就幾秒鐘？ 對，一次看起來是幾秒鐘而已。 但我跟你說， 身為處女座＋有一點強迫症的人 （好啦我承認），我對這種事情真的是會越來越厭煩。因為這不是做不到，是那種「明明可以不用浪費腦力跟時間，卻被迫每天重複做」的煩。更別說每一次你都要先掃視桌面、找回原本的位置、再把圖示拉回去——這種零碎的動作疊加起來，對人生來說就是一種很無謂的時間消耗。 所以我後來就開始想： 這件事一定要有一個「系統性的解法」 。 畢竟這種問題，能不能一次解決，差很多。 這問題為什麼會發生？先把「罪魁禍首」弄清楚 我一開始也以為這種桌面圖示跑位，應該就是 Windows 自己哪裡怪怪的，改個設定就好。結果真的去查資料、爬文之後才發現—— 這問題的「成因其實不只一種」 ，所以你才會看到網路上有人說「我這樣改就好了」，但你照做卻不一定有效。 因為對 A 來說，可能是桌面圖示的排列規則出了問題；對 B 來說，是外接螢幕／投影機造成解析度或縮放比例切換；對 C 來說，根本是顯示卡驅動或系統更新後引發的衝突。 同一個症狀，背後原因不一樣，解法當然也會不一樣。 我把最常見的「罪魁禍首」整理成幾個方向（網路上的解法大多都繞著這幾類在下手）： 桌面圖示的排列設定（自動排列／對齊格線） 有些人桌面右鍵的「檢視」裡面，可能不小心勾到「自動排列圖示」，或是圖示大小／對齊方式在某些情境下會觸發重排。這類通常簡單改個設定就有機會改善。 外接螢幕／投影機造成解析度或縮放比例變動 這也是很常見的情境：你平常用筆電自己一個螢幕...
Read more »

快速又免費的語音轉文字神器『Faster Whisper』，一鍵解決影音內容爆量時代的痛點！

作者：
圖片
多媒體數位影音充斥的時代，YouTube 影片、Podcast 節目、線上課程、網路會議錄影，甚至 IG 直播、Twitch 遊戲實況，短則十幾分鐘長則數小時。就算快轉播放，人類的視覺和聽覺吸收資訊仍有極限。現代人面對資訊轟炸，難免會有不想錯過新知的 FOMO 強迫心態， 在有限的時間如何最大化吸取新知 成為顯學。因此， 把影像或聲音內容快速轉錄成文字，再透過 AI 工具進一步摘要歸納整理 ，已經成為現代人必備的技能。 為什麼需要本地端語音轉文字工具？ 過往網路上已有許多免費或付費的雲端轉錄平台，但考量這些 平台通常都會有檔案格式、大小、時間長度限制 ，例如 Google 的 Notebook LM 只能上傳 MP3 且單檔限制 200MB，去年曾經紅極一時但現已停止服務的 Whisper JAX，也限制單檔不能超過兩小時。而實際測試中，通常超過一小時的檔案就不太穩定甚至會整個當掉。 當使用者面對較長的影片時，通常必須先用其他工具將影片轉為音訊檔，甚至需要將檔案切割成多個小檔，才能上傳平台做分析，操作上較為不便。此外， 檔案上傳到雲端多少會有隱私安全的疑慮 ，更不要說許多付費平台是按照使用量計價或收取高額月租費，對個人用戶而言是一筆不小的負擔。 為什麼選擇 Faster Whisper？ 目前大部分雲端或本地端的語音轉文字工具，背後多半是基於 OpenAI Whisper 模型或 串接API。 轉錄品質主要依據模型的參數大小 ，而 轉錄速度則取決於模型選擇與雲端本地硬體的「算力」 。然而雲端平台也要考慮多人同時使用的負荷，以及檔案上傳的網路傳輸時間，因此， 雲端與本地處理各有優缺點 。如果你本地端裝置硬體夠力，用本地端模式處理語音轉文字，其實是個可行又安全的替代方案。 最近筆者剛好逛到了 Github 上大神 Purfview 開發的開源軟體『 Faster Whisper 』，經過個人試用，覺得在速度與品質上都表現優異。但由於原始程式需要一些命令列基礎，對一般使用者可能會覺得有點門檻，而原作者的文件說明又比較簡略，因此我決定親自實測後來寫一篇淺顯易懂的教學說明。 Faster Whisper 特色大盤點 免網路離線使用 ，保障隱私安全。 支援幾乎所有常見的影片或音訊格式 （例如 MP4、MKV、MP3、WAV），無須額外轉檔。 無需安裝或複雜設定 ，下載解壓後直接...
Read more »

微軟 Copilot 全新語音功能重磅來襲！免費無限暢聊，直球對決 ChatGPT 進階語音模式！

作者：
圖片
最近 AI 語音助理的戰場可說是 熱鬧滾滾 ！ 微軟最新推出的 Copilot 語音功能 ，讓許多人眼睛為之一亮：這不再是傳統呆板的機器語音，而是一個能跟你「聊天」的 AI 助理。身為一個在外商藥廠工作的上班族，我對這類語音助手的進化 超有感 ，彷彿看到未來每天和電腦對話的自己 😂。這篇就帶大家來深入研究微軟 Copilot 的全新語音功能，看看它到底有多進階、能做什麼，以及來跟 OpenAI 的 ChatGPT 進階語音模式比一比，對照他們的功能差異在哪裡。最後，我也會結合自身在外商藥廠工作多年的經驗，聊聊 AI 語音對語言學習的影響，看看跟真人家教相比，AI 語音工具如何提供更彈性又省錢的選擇。 Copilot 聲控上線：隨時插話、調語氣的進階語音助理 先來介紹微軟 Copilot 語音 的新功能。我還記得以前用智慧助理（像 Siri、Google Assistant）時，常常得等它講完才能再提問，中途插話或超出預設功能的指令，它們通常都聽不懂也無法給出符合需求的回應，對話無法連續進行而只能點狀式的回應，大部分的即時資訊也只是轉而導向搜尋引擎就有的條列結果，整個對話超不自然也很不實用。但 Copilot 在今年2月25日推出的進階語音功能則完全不同！為原本的 Copilot AI 助理加入了即時語音互動： 多輪對話 ：它可以連續對話多個回合，不會每次都像重新問一次新問題那樣呆。也就是說，你可以問：「明天台北天氣怎樣？」接著再問：「那我需要帶傘嗎？」Copilot 也聽得懂上下文，連貫回答，不用每次把前提重講一遍。 隨時打斷 ：聊天過程中，你突然想插個問題？沒問題！Copilot 能辨識使用者的 中途插話 ，你一句「等一下！」就能讓它停下來聽你的新指令或提問。這種互動方式跟真人對話更接近，傳統的語音助理可是完全辦不到這點。 情緒語氣調整 ：Copilot 居然還會看你講話的語氣情緒來調整它自己的回應風格！比如你很著急地提問，它回答時語速、語氣也會比較緊湊關切；反之你輕鬆聊天，它講話就比較悠閒愉快。這種「看臉色」的本領，以往機器人哪裡辦得到，真的是 AI 時代的新體驗。 不只如此，Copilot 語音的 語言天份 也令人讚嘆。微軟工程師一次替它灌了 40 種語言 ，中文、英文、日文、法文……通通難不倒。而且它不只是「會幾句」而已，連不同口音、在地用詞都能...
Read more »

AI 語音助理新革命：Copilot Vision 無限免費、視覺功能全開，完整評比 ChatGPT 進階模式

作者：
圖片
  各位還記得嗎？今年 3 月 1 號的時候，我在部落格分享過一篇關於微軟 Copilot 最新語音功能的文章【 微軟 Copilot 全新語音功能重磅來襲！免費無限暢聊，直球對決 ChatGPT 進階語音模式！ 】。那時候我真的滿驚豔，因為微軟終於把 AI 助理的語音功能做到「免費、不限時、不限量」，還能支援多輪對話、情緒調整，甚至可以直接用語音跟 Copilot 來回聊好幾輪，完全不像以前那種只能單向下指令的呆板助理。 我自己實際用下來，最大的感覺就是這個語音功能真的很接近真人對話——你講到一半想打斷它，也可以馬上中止重來；你用比較急促或輕鬆的語氣說話，Copilot 也會跟著你情緒調整它的回答。基本上就是聊天過程沒有明顯延遲，也不用等半天，互動起來很順暢。平常在生活上有什麼問題，像懶得打字、手上正忙就可以直接「動口不動手」問它，尤其遇到臨時想查資料、查天氣、記錄待辦事項，或是在英文學習、模擬面試、溝通練習上，甚至單純找它聊聊天、舒壓一下，它真的都很能派上用場。 其實我常說 Copilot 的語音功能對我們這種在外商、常常要用到英文或多語環境工作的人來講，根本就像一個免費的外語家教。而且你不只可以練口說、模擬各種溝通情境，還可以讓 AI 扮演面試官，幫你練習英文面試的 Q&A，甚至跟它抱怨幾句日常煩惱，作為一個不會嘴你的人型垃圾桶也不錯用😂。 官方 Copilot Vision 示範連結 講到這裡，剛好要推薦給大家——如果你想搶先感受微軟 Copilot Vision 這個全新升級的視覺功能，官方最近已經有完整的線上示範，真的滿直覺又容易上手： Copilot Vision 官方網頁操作示範 （點進去可以直接從互動介紹頁跟著示範去操作，建議順手收藏！） Copilot Vision（視覺功能）重大突破：正式對一般用戶開放 這次要來跟大家分享的，就是我最近超級有感的新突破——微軟 Copilot Vision「視覺功能」終於在 2025 年 7 月初 全面釋出給一般用戶 啦！如果你也是長期關注 AI 助理工具的用戶，應該會跟我一樣超興奮。老實說，這個功能早在 2024 年底國外 OpenAI 的開發者大會就有聊過，但當時還只能在美國少數 Copilot Pro 訂閱用戶手上體驗。現在，終於不用等了，一般用戶也能直接用，不限瀏覽的網站，而...
Read more »

G6PD 缺乏者的抗生素選擇指南｜社區診所常見處方與藥師建議一次搞懂

作者：
圖片
診所處方中常見卻易忽略的用藥風險 身為藥師，最常面對的處方大概就是那些「一看就知道是常規」的抗生素了吧？像是在社區診所裡，病患多半是來看呼吸道或腸胃道的問題，醫師常開的口服抗生素，不外乎幾種熟面孔：Curam、Amoxicillin、Cefixime，甚至像 Thiamphenicol 這類傳統又便宜、好取得的藥，在很多診所幾乎是"常備良藥"。 但也正因為「太常見」，反而容易被忽略一些潛藏的風險。像是近期我注意到，有幾個藥物——特別是 Thiamphenicol 跟 Levofloxacin （如 Leflodal、Rozoxin 這些品牌）——雖然在臨床上被廣泛使用，但其實對 G6PD 缺乏症（也就是俗稱蠶豆症） 的病患來說，可能有 誘發溶血的風險 。 雖然這類病患在診所看診時未必都會主動告知，甚至連醫師也可能沒特別留意，但作為第一線接觸處方的藥師，這就是我們可以幫忙把關的地方。如果明知道某些藥物對特定族群有潛在風險，那我們有沒有辦法提出替代建議？或者至少提醒醫師，這個處方「有可能」會對某些病患造成風險？ 這篇文章，就是想從我實際接觸到的處方情境出發，整理一下目前診所常見的幾種口服抗生素，哪些對 G6PD 缺乏者是 安全的 、哪些則 應該避免使用 ，並依照不同感染情境（像是呼吸道、腸胃道、泌尿道等等），提供一些「 如果不能用，那可以換什麼？ 」的實用參考。希望對在第一線工作的藥師們，能有一些幫助或提醒。 G6PD缺乏症與藥品安全｜藥師不可忽視的藥事知識 蠶豆症這個名詞，大家應該不陌生，小時候健保卡上有印「禁止食用蠶豆」的那個紅字，就是它。其實它的正式名稱是「葡萄糖-6-磷酸去氫酶缺乏症（Glucose-6-Phosphate Dehydrogenase Deficiency，簡稱 G6PD deficiency）」，是一種 因 X 染色體上的 G6PD 基因突變所造成的遺傳性酵素缺乏疾病 。 因為男性只有一條 X 染色體，一旦這條 X 染色體上的 G6PD 基因出現缺陷，就會直接表現出來；而女性有兩條 X 染色體，即使其中一條有缺陷，另一條健康的 X 染色體還能補上功能，因此臨床上 男性患者比例明顯高於女性 ，這也是為什麼這類疾病在男生身上更常被診斷出來的原因。 這種病最大的問題就是—— 當身體遇到某些氧化壓力來源（像是感染、蠶豆...
Read more »

打字太慢？試試 Wispr Flow：神速 AI 即時語音輸入讓你效率翻 4 倍

作者：
圖片
  為什麼我們需要即時 AI 語音輸入？ 在這個數位無紙化的年代，文字輸出的能力早就成了基本功。還記得我大學時代，當時流行在 BBS 上跟人「丟水球」（傳訊息）。為了能跟上大家聊天的速度，我只好拼命練打字，結果不知不覺就把打字速度練起來了。 可是，打字再快，腦袋跑的速度還是常常比手快太多。特別是要寫比較長的文章時，腦袋裡的想法一股腦衝出來，手卻跟不上，整個人就卡住，效率大打折扣。這個「腦袋超車，手跟不上」的痛點，應該很多人都有過。 其實「用講的」來變成文字早就不是新鮮事。只是過去的語音輸入常常兩大問題：第一，辨識速度慢；第二，錯字一堆。更糟的是，講話還得遷就機器，要用不自然的語素去「配合它」，用起來一點都不順。 不過，近兩年 AI 大爆發，語音辨識品質和速度都進步到一個新的境界。現在的工具，不只聽得懂自然的說話方式，還能即時把文字轉出來。聽起來很完美對吧？但實際使用後你會發現：如果還得先在特定平台說，再把文字複製貼到你真正要用的地方，工作流還是很卡，體驗遠遠不到「一氣呵成」。 傳統與常見語音輸入工具盤點 先來看看我們常見的語音輸入工具，大家可能都有用過。 （A）系統內建工具 最常見的就是 Windows 11「語音輸入」（Win+H） 。它用的是雲端辨識，講完可以自動加上標點符號（需將"自動標點符號"功能開啟），基本上免費就能用。但缺點也很明顯，一次能處理的語音長度有限，而且反應速度偏慢，講快一點就容易掉字。 另一個是 macOS「聽寫」（Dictation） 。蘋果電腦上直接內建，開了就能用，短句或回覆訊息還算方便。但如果要口述一篇完整文章，尤其包含專業用詞，常常辨識不精準。 （B）線上／網頁版工具 很多人會用 Google Docs「語音輸入」 ，只要在 Chrome 瀏覽器開啟文件就能用，對學生寫作或臨時筆記很方便。但缺點是必須保持網路連線，斷線就沒辦法。 另外像 Voice In Speech-To-Text、SpeechNotes、Voice Notepad 這些瀏覽器外掛或網頁服務，適合在網頁內、線上表單或郵件裡直接口述，但還是受限在「網頁視窗」，切來切去不太順手。 （C）第三方專業軟體 要講專業領域就不得不提 Nuance Dragon（Dragon Professional / Legal） 。這套算是老牌裡的...
Read more »