AI 看视频，输出笔记哪家强？

[junwind]

各位大佬们，最近想学习下，但不想一个个花费大量时间看视频，哪家的 AI 能自己看视频，输出视频的文字笔记的。

[coolxll]

gemini 和 youtube 整合的好

[gotOwt]

同求一个能看 b 站的

[huaweii]

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。

[rcj6056]

听你这个需求是
我在 youtube 上看视频
然后视频结束了 ai 帮我整理 输出笔记吗？

[junwind]

@rcj6056 差不多的意思，给个视频链接，或者视频文件，能帮我总结出图文笔记这种。其实就是代替自己看视频。毕竟看视频的效率太低了。

[rcj6056]

@junwind 挺有意思 这种目前哪个实现的效果好？

[junwind]

@rcj6056 我也不知道哪家大模型能做到很好的实现出来。这种应该是考验多模态的能力了。

[junwind]

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。

[furlxy]

@huaweii 光想想就知道要多费 token...
几个关键帧就要几次 vlm ，我的天

[liudewa]

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

[liudewa]

oppo 手机的小布 支持对 b 站视频总结 https://www.bilibili.com/video/BV1Q7WvzcE6z/

[xigua11]

试试用百度网盘看视频

[zazzaz]

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。
这其实并不是很多人想象中那种“让模型完整观看视频画面并讲解出来”的方式。
所以，如果视频的内容非常依赖画面信息——比如操作演示、图表分析、动态视觉内容等，这类依赖字幕或语音的方案，效果可能就会比较有限。

[Sirius8]

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

[junwind]

@liudewa
@xigua11 好的，我试试。

[pandatools]

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

[louisng]

自己 vibe 了一个，不用看视频，直接用字幕来生成思维导图
https://github.com/louisdwu/auto_mindmap

[likooo125802023]

@junwind 先把语音转文字做好就行，这个总简单把

[dreamwy1990]

notebook

[snowsirjjj]

报错了