技术拆解:Whisper+Silero VAD+Gemma 3 全本地跑通视频维修提取
gregmushen · x · 2026-10-09
作者公布工具的核心流水线与选型:
- 用 Silero VAD v5.1.2 先去除视频静音段,避免 Whisper 在静音处产生幻觉
- 用 Whisper-Large-v3-turbo 做语音转写
- Gemma(8B, Q4KM)在 Ollama 0.20.0 中读取转写文本,配合代码校验筛出真实维修项
- 再在视频中定位谈论该维修的片段,挑出 6 个候选帧并自动选出最佳一帧
这是一套可复现的全本地视频结构化提取方案。
所属事件:房东用全本地 AI 把巡房视频自动变 Trello 维修清单(11 条相关)→
「编程与Agent」频道最新
- 换 harness 不换模型,GPT-5.6 仓库迁移成绩从 6.5% 飙到 31% — omarsar0 · 2026-10-09
- 用 Opus 5.5 做出野火分析工具:可视化火势演进、无人机追踪热点 — natesiggard · 2026-10-09
- 「专家型子代理」或成新赛道：Harvey 类专业能力变成一次工具调用 — nbaschez · 2026-10-09
- WebMCP 冲击广告模式:LLM 代理只取信息不给点击 — ConnectRub4818 · 2026-10-09
- Grok Bot 线下聚会现场:观众投票点题,10 分钟生成可上线地图应用 — pswider · 2026-10-09
- 亚马逊AGI实验室：80%可靠性的Agent为何还不够用 — AI Engineer · 2026-10-09