Vibe Coding：影片自動摘要與字幕圖片生成器

項目概述

在資訊(跟會議)爆炸的時代，快速從影片中獲取關鍵資訊至關重要。手動觀看、記錄、整理影片內容不僅耗時費力，也容易遺漏重點。

為了解決這個痛點，我用嘴巴開發了這個工具。它能夠自動處理指定的影片，搭配包含時間軸的逐字稿，並進一步用 AI 提煉出核心摘要，讓使用者能在最短時間內掌握影片精華。

---

核心做法與亮點

1. Vibe Coding 快速開發

   使用 Vibe Coding 精神，專注於核心功能實現，在半小時內完成雛形開發，全程沒有看過半秒 Debug 訊息。
2. 100% 本地端運行，確保隱私

   整個流程完全在本地端 (localhost) 運行，影片與資料無需上傳，最大程度保障資料安全與使用者隱私。
3. 高效語音轉文字 (OpenAI Whisper)

   整合 OpenAI Whisper 模型，在本地端即可實現高精度的語音辨識，並生成帶有時間軸的逐字稿。
4. 輕量級 AI 摘要 (MediaTek Breeze)

   採用聯發科開源的 Breeze 小型語言模型，在有限的硬體資源下，快速提煉逐字稿內容，生成結構化摘要。
5. 用鍵盤左右鍵就可以切換上下句，保護工程師脆弱的手腕。

   在大圖瀏覽模式下，直接用鍵盤就可以換頁，讓苟延殘喘的手腕、拇指跟食指暫時休息一下。

---

技術取捨與挑戰

• 硬體依賴

  由於 AI 模型皆在本地端運行，需要具備一定等級的 GPU 才能流暢使用，這也帶來了較高的功耗。

• 模型精度與效能的平衡

  選用 Breeze 這類小型語言模型是為了在多數個人電腦上也能運行，但其摘要的精準度與細膩度，與大型商用模型 (如 GPT-4) 相比仍有差距。儘管如此，對於日常會議記錄、教學影片等內容的整理，其表現已足夠應付。

---

成果展示

以下為工具實際運行的截圖，有請山姆奧特曼先生友情(?)展示了從影片到逐字稿與摘要的成品。