正在加载视频...

视频加载失败

加载此视频时出现问题。这可能是由于临时网络问题，或视频可能不可用。

Sonnet 3.5太强了，谁用谁知道。我用它写了一个英语口语分析的网页Demo，除了第一次是给它发需求，后面只需要贴报错信息，几次就改好了，全程不到10分钟！实现的效果见下方视频。另外，我想把这个Demo的形式做成APP，支持口语分析和改进、口语对话（改进建议用文字形式展示）、基于题库做RAG的专项练习，寻求队友。

Gorden Sun

66,727 subscribers

21,485 次观看 • 2 年前 •via X (Twitter)

Anya Rossi• Live Now

Private livecam show

4 条评论

LEO LI 的头像

LEO LI2 年前

好棒的种子，你想用它来做个什么？

Gorden Sun 的头像

Gorden Sun2 年前

英语口语练习APP，包括口语发音纠正、口语对话（推进对话为主，会把用户的问题用文字形式反馈）、基于专用题库的练习带RAG

OSDev 的头像

OSDev2 年前

rst @readwise save thread

Meathill 的头像

Meathill2 年前

你是怎么解析的？Speech to text？那无法纠正发音呀

相关视频

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！

使用 Google Gemini 做出了目前最强的英语口语学习软件。Gemini的多模态能力目前来说应该是世界第一。之前也尝试过用OpenAI的语音模式学习英语，问题是我英语本来就不是很好，每次回答还默认英语，而且他也无法识别语调，发音等问题，实际上那种模式是通过语音转文字后进行分析，完全无法分析你的语调和发音问题。 Gemini2.0的多模态功能完美解决了这个问题，目前他可以非常强的理解你的真实发音，而不是单纯的转换成文字后纠正，他可以真正的触达你的真实声音。下面是我自己练习时的视频，它是可以真正的分析你的发音，真的太强大了！

Box (mainnet arc)

141,627 次观看 • 1 年前

今天一上午都在用新的ChatGPT练口语。GPT的中文发音有时候南洋风。但是很不错了。然后在会员网站更新了一个bonus 视频分享我改进后的口语练习快捷指令和Prompt.

今天一上午都在用新的ChatGPT练口语。GPT的中文发音有时候南洋风。但是很不错了。然后在会员网站更新了一个bonus 视频分享我改进后的口语练习快捷指令和Prompt.

一口新饭

178,188 次观看 • 3 年前

GPT-Live 可能会让英语口语老师失业了。让它当作口语老师，貌似是目前最实用的用法。 “我是一个英语学习者，想通过和你对话练习英语。请你听我说话，只要发现语法错误，或者不够地道的表达，就立刻打断我并纠正。”

GPT-Live 可能会让英语口语老师失业了。让它当作口语老师，貌似是目前最实用的用法。 “我是一个英语学习者，想通过和你对话练习英语。请你听我说话，只要发现语法错误，或者不够地道的表达，就立刻打断我并纠正。”

投机实验室

290,277 次观看 • 2 个月前

2026视频Nano Banana时刻来了？🔥 不是那种一次生成不能改的，也不是固定模板的。 Medeo_AI做到了：用自然语言聊天，随意改视频任何部分。我用它做了《三体》科普视频，几分钟成片！🚀

2026视频Nano Banana时刻来了？🔥 不是那种一次生成不能改的，也不是固定模板的。 Medeo_AI做到了：用自然语言聊天，随意改视频任何部分。我用它做了《三体》科普视频，几分钟成片！🚀

Yanhua

57,141 次观看 • 8 个月前

15分钟的一个口播，我把56秒这部分视频口播用Remotion添加了文案动画，这是第一次效果还是不错的～

15分钟的一个口播，我把56秒这部分视频口播用Remotion添加了文案动画，这是第一次效果还是不错的～

Xian | 弦

29,245 次观看 • 23 天前

做了一个从0到1使用 Codex 里面 Hyperframes 插件生成一个口播视频的教程，非常基础输入口播文稿、视频风格描述（和可选的自拍读稿视频），从头生成完整的视频用了20分钟后续想要修改，直接让它在 HyperFrame Studio 进行修改，它会热重载，就像编辑软件一样非常方便，不需要每次导出渲染一次MP4

做了一个从0到1使用 Codex 里面 Hyperframes 插件生成一个口播视频的教程，非常基础输入口播文稿、视频风格描述（和可选的自拍读稿视频），从头生成完整的视频用了20分钟后续想要修改，直接让它在 HyperFrame Studio 进行修改，它会热重载，就像编辑软件一样非常方便，不需要每次导出渲染一次MP4

DanielW

10,691 次观看 • 2 个月前

女朋友一生气就切方言，男朋友一句都没听懂，字幕全听懂了。四川话、粤语、英语、法语，11 句台词，AI 字幕一个字没改，11 句全对。短片是我做的，字幕交给一个开源语音模型，它输出什么我就往视频里贴什么。右上角挂着"未人工修改"，连男生结巴的那句"你你说啥"都原样留着。同一段音频我喂给了 Whisper large-v3 做对照，差距比我预想的大：粤语那句"你话过请我食饭㗎，唔好赖账"，Whisper 写成"你曾說過請我吃飯的,不要賴帳"，翻成书面中文了，粤语原文一个字不剩；这个模型写的是"你话过请我食饭噶唔好赖帐"，唔、噶、话过全在，广东人一看就是原话。四川话的"莫"和"要得"，Whisper 写成"别"和"要的"；它原样保留。英语那句 "Seriously? You forgot again?"，Whisper 整句漏掉，它一字不差。这个模型叫 Hojo-ASR-Multi-V1。它改掉的规则只有一条：不翻译你说的话，你说什么字，它就写什么字。视频之外我还单独跑了两轮数据。上一期 90 条欧洲五语种真人音频，干净音频它比 Whisper 略输一点，加噪和 1.4 倍速后反超，90 条里零语言误判、零幻觉，Whisper 则把一句意大利语认成了瑞典语。这期 30 条中文系加英语：普通话、英语双方全对；粤语按字算，它错 7%，Whisper 错 50%，错的全是"翻译"造成的；四川话它错 3%，Whisper 错 11%。更有意思的是，模型页面到今天还写着"中文、英文待支持"。Credits 里鸣谢了 WenetSpeech-Chuan 和 WenetSpeech-Yue 两个川渝、粤语数据集，能力其实早就训进去了，只是文档没跟上。想自己上手：pip install hojo-asr，权重 12GB 从 Hugging Face 拉，Mac 上 CPU 跑 float32 就行，峰值内存 20GB。前面接一个 VAD 按停顿切句再送进去，这是这类大模型底座语音模型的标准用法，逐句识别时语言切换更稳。输出是全小写无标点，做字幕直接用，要标点的场景自己补一步。不适合谁：16GB 内存的机器别试；中文长音频我还没测过，这次只测了短句和这条短片。 Apache 2.0，商用也行。他们的官方账号是 HojoAI，roadmap 上写着推理引擎和小型化，什么时候能塞进耳机我会一直盯着，想跟进的可以关注一下。

女朋友一生气就切方言，男朋友一句都没听懂，字幕全听懂了。四川话、粤语、英语、法语，11 句台词，AI 字幕一个字没改，11 句全对。短片是我做的，字幕交给一个开源语音模型，它输出什么我就往视频里贴什么。右上角挂着"未人工修改"，连男生结巴的那句"你你说啥"都原样留着。同一段音频我喂给了 Whisper large-v3 做对照，差距比我预想的大：粤语那句"你话过请我食饭㗎，唔好赖账"，Whisper 写成"你曾說過請我吃飯的,不要賴帳"，翻成书面中文了，粤语原文一个字不剩；这个模型写的是"你话过请我食饭噶唔好赖帐"，唔、噶、话过全在，广东人一看就是原话。四川话的"莫"和"要得"，Whisper 写成"别"和"要的"；它原样保留。英语那句 "Seriously? You forgot again?"，Whisper 整句漏掉，它一字不差。这个模型叫 Hojo-ASR-Multi-V1。它改掉的规则只有一条：不翻译你说的话，你说什么字，它就写什么字。视频之外我还单独跑了两轮数据。上一期 90 条欧洲五语种真人音频，干净音频它比 Whisper 略输一点，加噪和 1.4 倍速后反超，90 条里零语言误判、零幻觉，Whisper 则把一句意大利语认成了瑞典语。这期 30 条中文系加英语：普通话、英语双方全对；粤语按字算，它错 7%，Whisper 错 50%，错的全是"翻译"造成的；四川话它错 3%，Whisper 错 11%。更有意思的是，模型页面到今天还写着"中文、英文待支持"。Credits 里鸣谢了 WenetSpeech-Chuan 和 WenetSpeech-Yue 两个川渝、粤语数据集，能力其实早就训进去了，只是文档没跟上。想自己上手：pip install hojo-asr，权重 12GB 从 Hugging Face 拉，Mac 上 CPU 跑 float32 就行，峰值内存 20GB。前面接一个 VAD 按停顿切句再送进去，这是这类大模型底座语音模型的标准用法，逐句识别时语言切换更稳。输出是全小写无标点，做字幕直接用，要标点的场景自己补一步。不适合谁：16GB 内存的机器别试；中文长音频我还没测过，这次只测了短句和这条短片。 Apache 2.0，商用也行。他们的官方账号是 HojoAI，roadmap 上写着推理引擎和小型化，什么时候能塞进耳机我会一直盯着，想跟进的可以关注一下。

雨哥向前冲

393,976 次观看 • 2 天前

我们作为程序员可能过于关注 AI 在编程方面的能力了，刚刷到这个抖音视频，其实用 Gemini3 的live功能来练英语口语已经能做到这样了吗？太强了吧，这可能会搞死所有的英语学习类应用啊。

我们作为程序员可能过于关注 AI 在编程方面的能力了，刚刷到这个抖音视频，其实用 Gemini3 的live功能来练英语口语已经能做到这样了吗？太强了吧，这可能会搞死所有的英语学习类应用啊。

大帅老猿

230,302 次观看 • 9 个月前

必须再夸一下 WorkBuddy 这个办公神器！我随口说了句"帮我做个演讲练习工具"，它真的就……做了。输入需求10多分钟出结果，自己调了10分钟搞定—— - 摄像头录制 + 倒计时准备 - 实时字幕叠加在视频上 - 智能提词器，字号/滚速自由调 - 录完直接 AI 出分析报告（流利度、语速、内容结构全给你拆）关键是……我一个代码没写。对非技术人太太太友好了，这种感觉就像突然多了一个随叫随到的全栈工程师，还不用付工资

必须再夸一下 WorkBuddy 这个办公神器！我随口说了句"帮我做个演讲练习工具"，它真的就……做了。输入需求10多分钟出结果，自己调了10分钟搞定—— - 摄像头录制 + 倒计时准备 - 实时字幕叠加在视频上 - 智能提词器，字号/滚速自由调 - 录完直接 AI 出分析报告（流利度、语速、内容结构全给你拆）关键是……我一个代码没写。对非技术人太太太友好了，这种感觉就像突然多了一个随叫随到的全栈工程师，还不用付工资

开发者Hailey

38,717 次观看 • 6 个月前

太让我惊讶了！我只是丢给它一条 B 站视频，说了句 clone，它就把这条视频的整套做法还给了我，还是能改的源码。传统工具给我的是一份分析报告。 Hypit 直接给了我源码：谁说哪句话、哪个词变色、哪张表情包在第几个字弹出来，全写在里面。能改，能复用，能进 git。我说 "换成 2 个外国人，背景换一个美丽的自然风景"，两人搬到了湖边。再说 "背景换成皮尔特沃夫，形象换成 LOL 的 2 个角色 cos"，凯特琳和杰斯站进了海克斯城。对白和字幕一个字没动。我用的还只是 WorkBuddy，Seedance 2.5 两版合计 4.338 刀，就跑成了这样。换成 Claude Code 或 Codex 会是什么样，我真不敢想！？它不是视频模型也不是剪辑软件，是给 AI Agent 做视频的开源语言。核心不收费，BYOK。地址我放评论区了👇

太让我惊讶了！我只是丢给它一条 B 站视频，说了句 clone，它就把这条视频的整套做法还给了我，还是能改的源码。传统工具给我的是一份分析报告。 Hypit 直接给了我源码：谁说哪句话、哪个词变色、哪张表情包在第几个字弹出来，全写在里面。能改，能复用，能进 git。我说 "换成 2 个外国人，背景换一个美丽的自然风景"，两人搬到了湖边。再说 "背景换成皮尔特沃夫，形象换成 LOL 的 2 个角色 cos"，凯特琳和杰斯站进了海克斯城。对白和字幕一个字没动。我用的还只是 WorkBuddy，Seedance 2.5 两版合计 4.338 刀，就跑成了这样。换成 Claude Code 或 Codex 会是什么样，我真不敢想！？它不是视频模型也不是剪辑软件，是给 AI Agent 做视频的开源语言。核心不收费，BYOK。地址我放评论区了👇

huangserva

126,476 次观看 • 7 天前

最近发现一套不错的办公 skills - SenseNova Skills，已经 4.1k 个 stars 了。这是基于底座 SenseNova 智能体模型开发的一系列 skills，针对办公需求，专注帮 AI Agent 做 PPT 生成、信息图、可视化、Excel 分析等真实办公场景。我测试了两种常见需求，第一是自动生成高质量 PPT，sn-ppt-entry / sn-ppt-standard，我把英伟达最新一季的财报数据丢给它，让它去生成，几分钟就能出一份结构清晰、设计专业的 PPTX，连图表都自动做好。第二是生成信息图，sn-infographic，高质量信息图 / 技术分解图 / 产品可视化把最近很流行的事件：Nvidia 与 SK Hynix 达成多年合作的的新闻丢给它，直接生成出了类似下面这种很形象富有科技感的新闻信息图，感觉很不错。除了这两个需求，它还可以完成其他常见的办公需求： * Excel 数据分析：自动处理大文件、多 Sheet 分析、出图表 * 深度研究：完整研究报告生成我已经把它集成到自己的 Agent 工作流里了，OpenClaw Hermes 都可以，我是用的 Codex，有类似任务现在直接丢给 Agent 全自动搞定，需要的朋友们可以收藏备用下。

最近发现一套不错的办公 skills - SenseNova Skills，已经 4.1k 个 stars 了。这是基于底座 SenseNova 智能体模型开发的一系列 skills，针对办公需求，专注帮 AI Agent 做 PPT 生成、信息图、可视化、Excel 分析等真实办公场景。我测试了两种常见需求，第一是自动生成高质量 PPT，sn-ppt-entry / sn-ppt-standard，我把英伟达最新一季的财报数据丢给它，让它去生成，几分钟就能出一份结构清晰、设计专业的 PPTX，连图表都自动做好。第二是生成信息图，sn-infographic，高质量信息图 / 技术分解图 / 产品可视化把最近很流行的事件：Nvidia 与 SK Hynix 达成多年合作的的新闻丢给它，直接生成出了类似下面这种很形象富有科技感的新闻信息图，感觉很不错。除了这两个需求，它还可以完成其他常见的办公需求： * Excel 数据分析：自动处理大文件、多 Sheet 分析、出图表 * 深度研究：完整研究报告生成我已经把它集成到自己的 Agent 工作流里了，OpenClaw Hermes 都可以，我是用的 Codex，有类似任务现在直接丢给 Agent 全自动搞定，需要的朋友们可以收藏备用下。

Viking

28,220 次观看 • 3 个月前

分享一个mac语音转文字的信息差！这个真的非常好用，直接按住fn键就可以了不需要下载任何其他app，直接就能用我以为大家都知道呢。。。太方便了

分享一个mac语音转文字的信息差！这个真的非常好用，直接按住fn键就可以了不需要下载任何其他app，直接就能用我以为大家都知道呢。。。太方便了

天策

25,239 次观看 • 5 个月前

我对国产 AI Agent 一直没抱太大期待，直到这次它干了件让我意外的事。我让 Tencent WorkBuddy 做个竞品调研，它派出一整个研究团队，其中一个 AI 专门审稿。它把同伴写好的报告退了回去，理由是里面有个数字查不到来源。一个 AI，自己抓出自己编的数据，要求重做。最后我拿到的，是一套能直接演示的 10 页 slides，一个字都不用改。 WorkBuddy，全程录屏在这👇

我对国产 AI Agent 一直没抱太大期待，直到这次它干了件让我意外的事。我让 Tencent WorkBuddy 做个竞品调研，它派出一整个研究团队，其中一个 AI 专门审稿。它把同伴写好的报告退了回去，理由是里面有个数字查不到来源。一个 AI，自己抓出自己编的数据，要求重做。最后我拿到的，是一套能直接演示的 10 页 slides，一个字都不用改。 WorkBuddy，全程录屏在这👇

Yanhua

82,900 次观看 • 3 个月前

我做了一个手机桌面应用，并通过codex和tailscale，打通了Chat-GPT live到app的通路，通过这个工作流，得到一个让自己心理摩擦力极低，随时可以开始外语聊天的伙伴（能力远超真人口语陪练）+一个科学分析反馈复盘记录成长的小团队，几乎不花什么钱。把 ChatGPT Live 中原本“一聊就结束”的英语口语练习，变成了一套可以持续记录、评分、复盘和积累的个人学习系统。闭环如下： ChatGPT Live 口语练习 → 生成标准反馈 → 推送报告 → Codex 同步到App → Mac mini 作服务器 → 手机 PWA 随时复习。

我做了一个手机桌面应用，并通过codex和tailscale，打通了Chat-GPT live到app的通路，通过这个工作流，得到一个让自己心理摩擦力极低，随时可以开始外语聊天的伙伴（能力远超真人口语陪练）+一个科学分析反馈复盘记录成长的小团队，几乎不花什么钱。把 ChatGPT Live 中原本“一聊就结束”的英语口语练习，变成了一套可以持续记录、评分、复盘和积累的个人学习系统。闭环如下： ChatGPT Live 口语练习 → 生成标准反馈 → 推送报告 → Codex 同步到App → Mac mini 作服务器 → 手机 PWA 随时复习。

Gian

76,368 次观看 • 1 个月前

这项目我可太爱了！！一个哥们把1324个健身动作全整理完了，英文、西班牙语、意大利语、土耳其语、俄语、中文，六种语言的动作讲解全翻好了。本来这事你至少得雇两个人，一个整理数据，一个翻译。现在一个开源仓库，建表SQL、API代码、连LLM提示词都给你写好了，复制粘贴就能用了。我最近减肥中，打算自己搞个小程序，监督训练，就看到了这个宝藏项目。其实，做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完，把英文讲解一字一句翻成中文，再琢磨数据存哪、怎么让App读到这些数据。这堆东西，一个人干至少两周，外包出去少说两万。这个仓库把三件事全替你干了。打开这个仓库你能拿到什么： 1324个动作的数据库，按部位、器械、目标肌肉全部分好了，拿来就能用六种语言的讲解翻译全齐，不用自己雇人译选个数据库类型，建表代码自动生成，不用从零建库接口直接给你写好，七八种语言都能跑，改个地址就行最狠的，连让AI帮你生成整个后端的提示词都写好了数据录好了，六种语言翻好了，数据库怎么建也用不着你想了。打开setup.html，选一下你用的数据库类型，四五个主流的一列都支持，建表代码直接生成。你连接口都不用自己看代码写了，选完框架和数据库，它给你生成一段提示词，直接甩给Claude或者GPT，一条消息整个后端就出来了。老王自己跑了一趟，先做了个网页版吧，半小时全通了，六种语言的接口一个没落。你也可以尝试一下，做一个自己的健身管家。

这项目我可太爱了！！一个哥们把1324个健身动作全整理完了，英文、西班牙语、意大利语、土耳其语、俄语、中文，六种语言的动作讲解全翻好了。本来这事你至少得雇两个人，一个整理数据，一个翻译。现在一个开源仓库，建表SQL、API代码、连LLM提示词都给你写好了，复制粘贴就能用了。我最近减肥中，打算自己搞个小程序，监督训练，就看到了这个宝藏项目。其实，做健身产品最头疼的从来不是UI界面。是把1324个动作挨个录完，把英文讲解一字一句翻成中文，再琢磨数据存哪、怎么让App读到这些数据。这堆东西，一个人干至少两周，外包出去少说两万。这个仓库把三件事全替你干了。打开这个仓库你能拿到什么： 1324个动作的数据库，按部位、器械、目标肌肉全部分好了，拿来就能用六种语言的讲解翻译全齐，不用自己雇人译选个数据库类型，建表代码自动生成，不用从零建库接口直接给你写好，七八种语言都能跑，改个地址就行最狠的，连让AI帮你生成整个后端的提示词都写好了数据录好了，六种语言翻好了，数据库怎么建也用不着你想了。打开setup.html，选一下你用的数据库类型，四五个主流的一列都支持，建表代码直接生成。你连接口都不用自己看代码写了，选完框架和数据库，它给你生成一段提示词，直接甩给Claude或者GPT，一条消息整个后端就出来了。老王自己跑了一趟，先做了个网页版吧，半小时全通了，六种语言的接口一个没落。你也可以尝试一下，做一个自己的健身管家。

产品经理老王霸

34,487 次观看 • 2 个月前

用GROK做口播对于我来说是个蛮成熟的技术了，从我自己的体验来看，效果好过SEEDANCE 很多，因为SEEDANCE 做口播中文字几乎无法正确的生成。而GORK不仅中文字不会出错，根据提示词做的背景图文动画完全没问题，炸裂的是生成时间非常短，下面这样的口播2分钟，我从找参考内容到成品，半个小时就完成了，而比这更令人心碎的是。。。。对于蓝v pro 用户来说，免费。。。是的每周可以做大概10分钟左右的720 DPI 视频而不用额外花钱。。。。。。想知道我是怎么做的吗？回帖留言“想要”我直接发用GORK做口播的SKILL 和方法。

用GROK做口播对于我来说是个蛮成熟的技术了，从我自己的体验来看，效果好过SEEDANCE 很多，因为SEEDANCE 做口播中文字几乎无法正确的生成。而GORK不仅中文字不会出错，根据提示词做的背景图文动画完全没问题，炸裂的是生成时间非常短，下面这样的口播2分钟，我从找参考内容到成品，半个小时就完成了，而比这更令人心碎的是。。。。对于蓝v pro 用户来说，免费。。。是的每周可以做大概10分钟左右的720 DPI 视频而不用额外花钱。。。。。。想知道我是怎么做的吗？回帖留言“想要”我直接发用GORK做口播的SKILL 和方法。

John

28,199 次观看 • 1 个月前

做了一个chrome插件，需求很简单，就是平常我能看懂英文但是表达不够母语，然后这个插件可以帮我润色我的文字，我平时要跳到openai/gemini里面去改，这样方便不少，而且我自己经常能用上，其实对更多人更大的需求是基于写的中文内容做一个英语翻译，这样可以更好的回复英文（任意语言）内容，这个也能通过改prompt实现。要是再进一步的话还可以把x的新推荐算法作为prompt输入进去，不过我感觉一般长的观点都会在其他ai产品写好，这个更适合短的小观点小短句，要是有人有需求私信跟我说我看看这玩意咋给出去合适。（感谢 Leo 和 Mable 被迫出镜）

做了一个chrome插件，需求很简单，就是平常我能看懂英文但是表达不够母语，然后这个插件可以帮我润色我的文字，我平时要跳到openai/gemini里面去改，这样方便不少，而且我自己经常能用上，其实对更多人更大的需求是基于写的中文内容做一个英语翻译，这样可以更好的回复英文（任意语言）内容，这个也能通过改prompt实现。要是再进一步的话还可以把x的新推荐算法作为prompt输入进去，不过我感觉一般长的观点都会在其他ai产品写好，这个更适合短的小观点小短句，要是有人有需求私信跟我说我看看这玩意咋给出去合适。（感谢 Leo 和 Mable 被迫出镜）

Tykoo

10,779 次观看 • 8 个月前