他举例说，团队预测体育比赛，限制只用 2025 年 7 月前的数据，结果完美命中，后来才发现有人改了维基百科的时间戳，把结果写进了「过去」。每当有新模型发布，总有人说，是不是搞出了新架构、AGI 是不是已经搞定，他直言这绝对不是真的——架构还是一样的，一切都归结于数据、数据质量、工程和基础设施。相比之下，大语言模型的数据都在网上，是现成的。他说自己孩子上高中就在用 AI 工具搭网站，会用好 AI

真正麻烦的不是视频总结，也不是播客转文字，而是内容越来越多以后，怎么做成能继续使用的个人知识库。折腾了一段时间后，我把流程固定成三段：音视频解析工具负责把内容变成文字，Obsidian 负责保存，Codex 负责整理。正文保持「文字大纲、原文、我的想法」三个区域，刚导入时统一标为「待整理」。后来改用语音转文字，确实保住了原始内容，但一篇一两个小时的逐字稿放进 Obsidian，照样很少再打开。原文

本文介绍了语音识别技术（ASR）的发展历程与核心原理。早期采用"声学模型+语言模型"两段式架构，通过HMM-GMM等模型将音频转为音素序列再生成文字，但存在信息割裂问题。2015年后端到端模型兴起，采用CTC、注意力机制等技术直接映射声波到文字，Conformer架构结合CNN和Transformer优势成为主流。实际应用中还需解决口音识别、多人对话分离、流式处理等工程挑战。该

本文揭秘了AI视频转笔记背后的技术链条：首先通过端到端语音识别(ASR)将音频转为带时间戳的文本；同时运用图像检测和OCR技术提取视频中的PPT/板书等内容；然后将语音文本与画面按时间轴对齐，并动态匹配语义相关内容；接着对转录文本进行去冗余和结构化处理，生成分章节摘要；最后自动构建思维导图。文章以实际产品为例，展示了多模态技术如何协同工作，将视频转化为图文对照、层级分明的结构化笔记，显著提升信息处

本文揭秘了AI视频转笔记背后的技术链条：首先通过端到端语音识别(ASR)将音频转为带时间戳的文本；同时运用图像检测和OCR技术提取视频中的PPT/板书等内容；然后将语音文本与画面按时间轴对齐，并动态匹配语义相关内容；接着对转录文本进行去冗余和结构化处理，生成分章节摘要；最后自动构建思维导图。文章以实际产品为例，展示了多模态技术如何协同工作，将视频转化为图文对照、层级分明的结构化笔记，显著提升信息处

截至 7 月 25 日，Artificial Analysis 智能指数榜单上，Opus 5 max 以 61 分排在第一位，比第二名的 Fable 5 高出 1 分。问题来了：性能逼近、价格减半，Opus 5 能替代 Fable 5 吗？