社区讨论LinuxDo 最新
字幕提取这个领域，Gemini 还是太超模了
好久没有测试 Gemini 提取字幕的能力了，对 3.8 Flash 这个模型也进行测试 视频时长11分半，不对视频进行切片，一次性导入上下文，多模态分析 一次 API 调用完成字幕提取 测试一：音频转字幕 拖入音频文件，获取字幕 镜头这个位置是AI识别出的字幕 完成该操作时使用了17K的输入和8K的输出 只调用一次API 所有时间戳均准确无误 唯一缺点是该专有品牌采用了中文名称，这个中文名在互联网上均无法查询到 测试二：视频转字幕 直接把视频文件拖入聊天框，可以通过视觉能力理解视频中的内容，这对字幕的提取更有帮…
内容摘要
作者：#Mozi
板块：#开发调优
好久没有测试 Gemini 提取字幕的能力了，对 3.8 Flash 这个模型也进行测试
视频时长11分半，不对视频进行切片，一次性导入上下文，多模态分析
一次 API 调用完成字幕提取
测试一：音频转字幕
拖入音频文件，获取字幕
镜头这个位置是AI识别出的字幕
完成该操作时使用了17K的输入和8K的输出
只调用一次API
所有时间戳均准确无误
唯一缺点是该专有品牌采用了中文名称，这个中文名在互联网上均无法查询到
测试二：视频转字幕
直接把视频文件拖入聊天框，可以通过视觉能力理解视频中的内容，这对字幕的提取更有帮助
时间戳依然准确，时间戳比视频内嵌的字幕更准
这就更加牛逼了，可以通过画面内容来进行修正
携带视频的情况下，Token 就需要多很多， 62K 输入，10K 输出
如果我是视频创作者，需要为视频添加字幕，那么 Gemini 就是我的唯一选择
资讯来源
LinuxDo