我隱隱有種感覺，AI工具快到全面提價收錢的時候了。這不完全是成本壓力帶來的被迫收費，而是它們的使用效果逐漸趨於完美。
完美這個詞有點過分，可用。可以用來拿捏用戶。使用效果能夠拿捏用戶，才有收費的資本。
舉個例子，上周在 Google Gemini2.5 Pro的支持下，把我一直想做的視頻筆記工作流完成了大部分。
視頻是美股視頻博主們的作品。我沒時間看完所有博主的視頻，但又想要多家觀點做相互印證。對視頻中的股票點位，壓力位，支撐位，市場預期，我希望有人能提煉出來，方便日後查詢和追蹤。
這個需求當然沒人做，認真的學生用手記錄，自己做筆記，做表。我很懶，經常看完就完了。給自己一個理由，咱是長線投資，不在乎一時得失。但一到要賣出或者買入的時候，又想起點位參考。於是想，如果能用代碼自動化實現，豈非完美。大模型提煉出來的文字，閱讀時間比看視頻節省80%，還能綜合多個頻道的觀點。
這件事的難點在於，中文博主口播不喜歡做字幕，沒有腳本，視頻必須做音頻轉錄才能得到文本。而且，不露臉的博主喜歡在視頻中的 K線圖上手寫標註，有時具體點位要看視頻才能做好筆記。
動手之前，我讓 Gemini幫我做了任務拆解和開發規劃。
首先，解析博主視頻頻道，得到頻道的 rss訂閱連結。通過每天刷新 rss內容得到最新一期的視頻連結。用 yt-dlp將視頻下載到本地。
然後，調用 ffmpeg對視頻進行音頻分離，得到 mp3文件。音頻轉錄到文本，我原本想在本地安裝 Openai免費的 Whisper來做，後來發現，Gemini1.5開始就支持多模態，完全可以做語音轉錄，無需本地資源還不要錢。乾脆直接將音頻發送給大模型做轉錄。
前兩部完成之後，已經可以得到帶有時間戳的完整轉錄文本以及提純後的精煉文本。一般視頻筆記做到這裡就可以結束了。但我還希望再進一步，把個股的關鍵點位結合當時視頻播放的畫面做整合分析。
Gemini告訴我，這完全可行。我可以將文本中涉及關鍵點位的時間戳發給 ffmpeg，讓它做截圖，然後對截圖進行二次分析，結合之前的轉錄文本，再做一次筆記優化。
這部分功能花了我好幾個小時。原因是大模型輸出的時間戳格式不穩定，2.5 Pro的指令遵從不好，時常將毫秒當作秒，記錄在時間戳上，導致 ffmpeg找不到對應的時間點。
最後的方案是用 Gemini1.5 Pro做完整音頻轉錄，提取時間戳，用2.5 Pro做文本處理。最終效果不錯。
事情做到這一步，還不夠好。我不想每天打開目錄去讀 markdown格式的報告，不夠好看，不夠優雅。
於是我又問 Gemini，我想跨設備閱讀，最大化便利性和可讀性，我該怎麼辦？我心裡預設的方案，構建一個 Web網頁或者發給 Notion做成雲筆記。
Gemini和 ChatGPT分別回答了我的問題，這兩個顧問一致認為 Notion是更好的選擇。ChatGPT甚至不停問我，要不要寫 python腳本幫我實現這一功能。我沒理它。
在之前的代碼編寫中，Gemini2.5 Pro出現 bug的次數不超過5次。幾乎每次都能正常運行，報告效果需要逐漸調優，但沒有編碼錯誤。以前那種代碼頻頻出錯，時間花在代碼而不是功能優化上的蠢事，已經沒有了。
我遇到的唯一問題是cline+gemini2.5 pro，如果 cline處理文件出錯，會大量消耗 API調用次數，導致免費額度很快用光。
這個問題讓我在後期只能通過 Cherry Studio和 Gemini繼續對話。好在 Gemini的代碼正確率極高，無需頻繁修改。
將優化後的報告上傳到 Notion是另一個挑戰。我對 Notion幾乎一竅不通。但 Gemini通就行了，我把報告拆解和格式優化的任務通通交給它。它甚至提出了自己的方案，把視頻截圖也上傳到 Notion，做成帶有原始素材的互動筆記。完美。
這部分代碼還在調試，但我已經想好了下一步工作。通過 Notion剛剛開放的 MCP協議，將日積月累的視頻筆記通過 Cherry Studio的 AI聊天框進行檢索。把這些自動生成的筆記當作知識庫，隨時查詢關鍵點位和財報分析。
在 Google Gemini2.5出來之前，我一直用 Cursor+ChatGPT來做規劃和編程。這一次大量使用 Gemini2.5 Pro，發現了它的不少短板，但也用出了它的強項。做規劃，提建議，不厭其煩的回答各種問題，Gemini是極佳的架構師和技術顧問。
我在開發這個工作流的過程中，不僅通過 AI完成了我想做的事，更大收穫是和 Gemini的溝通中學習到了更多知識。它並不能從一開始就精確地規劃好每一步應該怎麼做。
我們的合作是逐漸進展，慢慢深入。它帶我一步，我帶它一步。它拓展了我的知識邊界，我看到了更好的開發方向。編程，反而成了這其中最不重要的一步。我沉浸在所謂的氛圍編程中，一步步完成自己的作品。
我相信，今天我做的這一切，很快會被更快更便宜的大模型功能替代。音頻轉錄，截圖分析，你直接把視頻發給AI去看不就得了。它們現在不是不能看，而是太貴，太慢，效果不如分拆任務做得更好。在它們變得更強之前，造幾個自己的玩具，其樂無窮。
Gemini另一個強大的能力是 Deep Research，我之前為此寫過文章。最近再用的時候，我明顯感覺到 Deep Research又做了優化。它不容易死在半道上了。
模擬人工對數十上百個網站進行檢索，對信息歸類，總結，提煉要點，形成報告，我認為目前沒有其他工具比 Google Gemini的 Deep Research做得更好。ChatGPT的 Deep Research原理和 Google一樣，但在爬蟲普適性和歷史資料的沉澱上，OpenAI遠不及 Google。
所以，Google看似在 AI中稍顯落後，但未來可期。
回應我在開篇時的文字，為什麼覺得它們要開始收費了？因為在上述開發過程中，Gemini的服務會變得很慢，免費額度居然會被我用光。ChatGPT4.5第一次提示我剩餘使用次數。
這些現象預示著，不僅我感知到了 AI工具的強大，它們自己也知道。白嫖的盛宴，已近尾聲。
附一張 ChatGPT用我的照片生成的黏土版。
提示詞：
請根據附上的照片，將畫面中的角色轉化為3D Q版黏土風格角色公仔，整體放置於一張拍立得照片中，並由一隻手持握著拍立得相紙。畫面呈現出一種視覺效果：角色從拍立得照片中突破邊框、延伸進入現實世界的二維空間。
構圖比例：9:16垂直構圖
人物設定：將照片中的人物轉化為 Q版3D公仔，整體約為1/4身高比例，呈現全身，保持原照片中的服裝與造型，風格為柔軟可愛的黏土材質
背景：延續拍立得中的背景，以 Q版風格繪製，不需再有人物出現，僅作為角色背景的延伸，與照片原始場景一致
拍立得底部文字：手寫字體銀山塔林
上一篇文章有讀者喜歡封面圖，那是 midjourney畫的，放在這裡。
