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 第一次 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 1 个帖子 - 1 位参与者 阅读完整话题

  • 情报分类：硬件与数码
  • 分类依据：内容涉及硬件、数码产品或通信卡
  • 信息来源：服务器 / LINUX DO - 最新话题
  • 发布时间：2026/9/29 01:56:37