亞瑟 ASK - 職涯隨筆與生活漫談

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： 影片轉講義 PDF 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 ...

去年我寫過一篇文章，介紹過 PDFMathTranslate 這款 PDF 全文雙語翻譯工具 。 那時候我對它的印象很好。因為它不是單純把 PDF 轉成純文字再丟去翻譯，而是專門針對 PDF 裡面的公式、圖表、排版、段落結構做處理。對常常需要閱讀論文、技術手冊、醫學資料、英文講義的人來說，這類工具真的很有用。 但老實說，去年那個版本對一般使用者還是有一個門檻。 當時我自己是用 Miniconda 來部署，流程大概是建立 conda 環境、安裝套件、啟動虛擬環境，然後再用命令列把 WebUI 跑起來。對有碰過 Python 的人來說，這不算太難。可是對只是想翻譯 PDF 的一般使用者來說，這一段可能就先被勸退。 你只是想翻譯一份 PDF，結果前面先叫你學 conda、環境變數、API key、model name......工具本身很好，但很多人會卡在「還沒開始用工具之前」就先被嚇到。 這次新版 PDFMathTranslate Next 最大的差異，就是它已經有 Windows 免安裝執行檔。對一般使用者來說，這個改變就很便利。你不用先學 Python，也不用先維護 Conda 環境，只要下載、解壓縮、雙擊 pdf2zh.exe ，就可以立刻開啟本機 WebUI 來翻譯 PDF。 如果去年我會把它歸類成「很強，但比較適合願意折騰的人」，那現在我會比較願意把它推薦給一般進階使用者。尤其是平常真的會大量看外文 PDF 的人。 PDFMathTranslate 到底是在解決什麼問題？ 一般翻譯工具遇到 PDF，最麻煩的地方不是翻譯文字本身，而是 PDF 的版面。 一份普通文章還好。可是如果是論文、技術手冊、醫學文件，裡面常常會有： 數學公式 表格 圖說 兩欄式排版 註解 目錄 參考文獻 特殊字型 如果你直接複製文字去翻譯，常常會發現段落亂掉、公式亂掉、表格亂掉。更麻煩的是，有些 PDF 複製出來的文字順序本來就不對。 PDFMathTranslate 的價值就在這裡。 它會先分析 PDF 版面，盡量保留原本的公式、圖表、目錄與註解，再把需要翻譯的文字送到你指定的翻譯服務。最後它會輸出新的 PDF，通常可以產生兩種版本： Mono：單語翻譯版 Dual：雙語對照版 官方對 PDFMathTranslate Next...

前陣子有朋友看我介紹 Typeless 這類 AI 即時語音輸入工具 之後，突然想到一個異想天開的用法。 他問我：那我是不是可以把影片播出來，然後開著 Typeless，讓它一邊聽、一邊幫影片上字幕，甚至順便做字幕翻譯？ 這個想法當然不是不行。 如果只是 3 分鐘、5 分鐘的短影片，勉強可以玩一下。你把影片用喇叭播出來，電腦或手機麥克風收到聲音，Typeless 之類的工具就會把它當成你正在說話，然後即時轉成文字。 可是實際做下去，你很快就會發現幾個問題。 第一，影片要原速播放。10 分鐘影片就是等 10 分鐘，1 小時影片就是等 1 小時。 第二，人要守在現場，不能丟著讓它背景批次跑。 第三，喇叭音量要夠大，麥克風也要收得乾淨。 第四，旁邊只要有人講話、冷氣聲太大、環境有雜音，辨識結果就可能被污染。 第五，它本來是「即時語音輸入工具」，不是「整份影音檔案轉字幕工具」。 所以講白話，如果你只是臨時想把一小段影片內容轉成文字，這樣繞一下可以。但如果你要處理超過 10 分鐘、半小時、一小時，甚至一整批影片，這個方法就很不實際。 這時候要用的工具類型，其實就要換了。 先分清楚：即時語音輸入，和整份檔案轉錄，是兩件事 我前面介紹過不少語音相關工具，大家有時候會把它們混在一起看。 像 Typeless 、 Wispr Flow 、 OpenLess Unbound ，還有我之前測過的 Handy ，比較接近「即時語音輸入」或「即時聽寫」。 它們適合什麼？ 適合你正在寫信、寫文件、回訊息，然後懶得打字，直接用嘴巴講。它們也適合拿來做短句輸入、即時翻譯、臨時記錄。 可是如果你的目標是把一整個影片檔、錄音檔、會議錄音、Podcast、課程錄影丟進去，讓電腦自己在背景跑，最後吐出 SRT 字幕或逐字稿，那比較適合的是另一類工具。 例如我之前介紹過 Faster Whisper 。另外像 Otter.ai、Notta.ai 、 ViiTor Translate 、 Meeting Ink ，也都是比較接近語音內容整理、逐字稿或會議轉錄的工具。 這一類工具和 Typeless 最大的差別，是它們的目標比較接近「把一段語音內容整理成可回頭看的文字紀錄」。有些偏整份檔案轉錄，有些偏線上會議逐字稿，有些偏即時字幕與翻譯。雖然使用情境不完全一樣，但方向都比「...

這兩天看到一則新聞，是關於 AI 公司 Anthropic 發布的最新旗艦模型 Fable 5，以及 Mythos 5。這兩款模型因為美國政府用國家安全為理由，突然要求暫停開放，所以 Anthropic 也只能先暫時關閉這兩款頂級模型的存取權。 在 Anthropic 官方聲明 裡面，主要提到的是政府擔心有人發現新的越獄方式，可能利用這麼頂級的模型來做壞事。 當然啦，這種新聞稿我們也不能完全排除它是一種另類行銷。意思是說，凸顯自家新推出的頂級模型有多厲害，厲害到連政府都覺得太強，怕被拿去做不當利用，所以直接下令暫停。 但我們姑且先不要把它當成行銷手段。這則新聞比較值得想的是，公家單位或大型組織面對先進科技，態度通常都會比較保守。最新的新穎科技要真正落實到公部門或大型企業，通常都需要一段比較漫長的時間。 這也讓我想到最近這陣子很常在思考的一個問題。 今年上半年，AI Agent 這類工具發展很快。像 OpenClaw 這樣的開源 AI Agent，其實用起來非常方便。可是我也看到一些線上授課老師提到，有些公部門邀請他們去講課，如果談到 OpenClaw 這類工具，其實會有點尷尬。 技術面不是不能講，但講了之後，在公部門的資安和規範考量下，通常也不會建議他們真的去使用。 這件事其實很有意思。 因為我們在很多公司或企業裡，也常常會看到高層或管理層有一種期待：在這個 AI 快速衝刺的年代，員工應該要普遍提升使用數位工具、AI 工具的能力。 這個期待聽起來很合理，可是我一直覺得，這其實是一個迷思。 所以今天想聊的主題，就是公司企業期待員工提升 AI 工具使用能力這件事，背後到底有哪些盲點。 公部門和大型組織，通常都會慢一點 我們先從公家機關能不能使用 AI 工具這件事開始講。 以醫藥領域來說， 衛生福利部其實也有發布相關的 AI 使用規範 。可是你去看那些內容，會發現它相對來說是比較落後的。 它大概晚了現在最新 AI 發展至少一到兩年，甚至很多概念可能還停留在兩三年前。 當時大家對 AI 的印象，可能還在 GPT-3 到 GPT-4 早期的階段。資料庫比較舊，還沒有普遍的 Web search 能力，也還沒有那麼成熟的引用來源和工具串接。 所以規範裡面常常會強調 AI 可能有幻覺、資訊錯誤、隱私疑慮、個資風險。這些東西不能說錯，因為這些風險確...