【教學】如何用Gemini Notebook 製作Podcast教學，在生成生動字幕？這過程是怎麼做到的？

這次的文章是聊聊最近大家在我的網頁看到最新的Podcast 字幕是怎麼做出來的…… 通常，我會認為做出這樣的 Podcast，大家都懂。但如果深入了解，就會知道，很多人對我的產出感到疑惑。

我想這是一套超越 AI 邏輯的技術整合。有人常常因為「不知道妳怎麼做出來的！」而感到恐懼。對我來說，這是一個極度複雜的思維過程，因為我沒辦法只單靠 AI 完成令我滿意的結果。所以我會同時整合多項 AI 工具，甚至運用本身的專業背景，交叉混合運作。

這篇文章未來也許會再修正，因為技術一直在翻新。我先說說，這份字幕叫做Podcast 動態字幕 lrc，而不是 srt。曾經我為了找能夠讓聲音搭配字幕的方法，因為錯誤的認知，始終沒有定位到正確方向。這個 Podcast 字幕其實就是歌詞字幕，先釐清它不是 srt。如果你曾經和我一樣搞混，就會做不出來！連 lrc 和 srt 都搞錯，勢必也找不到解決方案。

我一直覺得 Podcast 需要有字幕，畢竟很多人聽不清楚內容。以前製作字幕相當耗時，但是 AI 生成工具持續演進，漸漸地生成字幕已經不再是難題。然而要做出這樣的 Podcast 動態播放器，會遇到不少困難，其中還包含：你需要有屬於自己的主機來上傳 MP3，字幕檔也必須和音檔放在同一個主機位置，因為還牽涉「跨域存取」的問題。 也就是說，你現在看到完美的呈現，是我跨過許多障礙才完成的結果。

前一年，我還特地為 lrc 字幕製作一個核對字幕的分割器。如今科技大躍進，我用「豆包」就能幫我自動核對字幕。我們必須面對科技進步的神速，也需要不斷自我淘汰。其實自我淘汰並沒有什麼不好，有更好的選擇，就勇敢割捨舊的方式！

為什麼要自己動手做？因為目前多數 Podcast 與音樂平台，竟然都沒有提供字幕上傳功能，不論哪個平台皆是如此…… 這令我匪夷所思。其實如果付費平台可以開放讓使用者上傳字幕，也許我就不用繞這麼大一圈。而且我覺得這是很基礎的需求，為什麼收著高額費用，卻對字幕功能視而不見？例如 SoundCloud…… 但也不只有這家不提供，其他平台通通都沒有。或許龍頭音樂平台不做，其他就跟著省略。說不定未來他們會新增這項功能，因為這對他們來說「根本沒有難度」。

會選擇自己製作，也是因為現有平台太難用！ 如果你可以勉強適配平台限制，例如為了字幕就上傳到 YouTube，轉成影片檔模式，那就是調整自己去配合環境。但我嘗試配合過之後只覺得厭惡，為什麼不能照著自己的想法呈現內容？

先提一提，專業 Podcast 製作會牽涉下列步驟：

1. 出口成章的能力

這是 Podcast 的內容來源。先說明，我並非所有主題都能夠出口成章，只有宇宙傳訊、369 數字科學研究、心靈相關主題，我才可以做到出口成章。如果是技術類或是我不熟悉的領域，就沒辦法。

當然現在 AI 發展相當出色，就算你口頭講得沒有很完整，僅當作原始素材，AI 還是能夠幫你整理得有條有理。

2. Gemini notebook

Gemini notebook 本來就可以製作兩人語音對話的 Podcast，它能夠依據你給予的資料，生成講解內容，輸出就只是音頻檔案。

3. 壓縮音頻檔案，上傳空間

從 Gemini notebook 下載的音頻檔案體積相當大，必須適度壓縮。可以上網搜尋「壓縮音頻」工具把檔案縮小，之後才上傳到自己的主機。檔案越小越好，理由很簡單：第一是節省主機儲存空間，第二是降低流量消耗，網友載入速度會更快。

接著使用 FTP 上傳至伺服器空間，記得檔案名稱要改成英文與數字，使用FTP就不能不提FileZilla。

如果對於FTP沒有概念的朋友們，這裡也會生成一個操作障礙，第一個疑問就是什麼是FTP？FTP是把檔案傳到網頁空間的媒介，通常我們會用Google雲端上傳檔案，但Google雲端無法支援我們自己DIY歌詞，我也有個Google雲端的無字幕做法，也可以另行分享。

每個專業的累積都是過往的經驗，有機會，會幫學員寫一個FTP上傳支援系統。

4. 用懶貓生成字幕

我目前使用「懶貓」語音轉寫。為什麼不用剪映？說真的，我覺得剪映核對時間戳記沒有比較精準，但懶貓需要付費，而且懶貓輸出的字幕單行字數偏長。

8 年前我請人手動校對語音逐字稿，光是校對演講內容，比過價之後，一小時最低就要 800 元台幣；現在一小時只要 15元台幣。 這樣的白菜價格，誰會心疼？不得不說科技的進步實在驚人。從前一小時的費用，現在可以買 53 小時…… 我會捨不得嗎？完全不會！

如果你有長時間錄音檔案也可以用懶貓轉寫文字，方便會議紀錄、上課錄音，整理完再丟到Gemini Notebook幫你做課程整理，超級方便，已經轉寫好的語音Gemini在整理上速度也會較快。目前懶貓是我所知道市面上最便宜，但有無更便宜我就不清楚。

懶貓是中國的線上軟體，強項是語音轉文字，對於字幕格式的支援並不友善，但時間對照較為精準，也可以把簡體翻譯成繁體。平台內建 srt 格式可以直接下載，我們先下載 srt 字幕。

5. srt 轉繁體，再轉 lrc

我使用 Mac 電腦，可以直接開啟 srt 檔案，將內容全部轉成繁體。接下來還需要把 srt 檔案轉換成 lrc 檔案，可以上網搜尋轉換工具；我自己也寫了一套 srt 與 lrc 的轉換器。

6. 用豆包 lrc 字幕核對

不論使用剪映、懶貓或是任何字幕辨識工具，都一定會有錯誤。用剪映的話，需要逐字手動核對，校對錯字相當耗費精力。而懶貓產出的字幕單行又太長，該怎麼處理？

我會使用「豆包」，各位也可以依自己習慣選擇工具。我把FTP 上傳完成的音檔網址以及 lrc 字幕一併交給「豆包」，請它協助檢查錯字，並且超過 18 個字就換行。豆包可以快速自動核對、修正錯字，把時間軸切割得更細緻，也不會像剪映偶爾發生時間軸錯亂的狀況！

你會問這樣就能 100% 精準嗎？其實我只要達到 95% 精準度就足夠。

反之，如果你今天用剪映先匯出字幕，再委託豆包修改錯字、更改斷句，也是可以的！修改完錯字再重新匯入進去！

7. 製作 MP3 播放器

你可以使用Gemini 的 Canvas 功能編寫播放器，播放器要能夠讀取 lrc 字幕與音檔，也可以自訂標題、歌手欄位等等。完成之後，讓它輸出 HTML 語法，就可以自由貼在各個地方，包含自己的部落格、Blogger、協作平台等等。可以把製作設定頁儲存下來，重複使用。

以上就是單次製作 Podcast 的完整流程。

那有沒有更理想的做法？像是可以儲存自己建立的 Podcast 內容、列出過往作品清單，點擊就能編輯；可以隨心修改舊有 Podcast，或是統一調整風格；甚至嵌入到各個網站，只要後台修改，所有嵌入的網站就同步更新……

就等我寫程式實作吧。你要知道這整套流程相當繁雜，光是我今天整理出來就有七大步驟，完全不是一鍵生成。我清楚這一切真的不容易，網路上教學看起來總是很簡單，有些方案是靠金錢堆出來的，但如果預算有限，就得多花時間自己動手研究。

或許未來 Podcast 平台會內建字幕功能，到時候我分享的這套方法，就只適合願意花時間鑽研、經營自有品牌網站的 Podcast 創作者。畢竟自己做，你可以定義想要的視覺樣式，完全自主掌控呈現方式，當然也需要具備一點視覺設計與 HTML 基礎概念！

如果你可以主導 AI 產出的結果，就代表你的專業度越高。 現在很多人用AI都是由AI決定結果，但想要主導成果，就不能全部交給 AI 處理，一定得由人來負責流程轉換，世上沒有真正的一鍵生成，AI 只負責處理流程當中的部分環節。

這就是 AI 時代，留給拿到 95 分的人繼續前進的理由，專業從來沒有這麼簡單……

另外AI 進步速度極快，越能掌握完整流程所有步驟的人，越能抵擋產業變化的衝擊。因為每一個單一步驟，都隨時有可能被新技術取代。像我上面整理的七大步驟，未來哪一個環節會被取代都是未知數，也不需要特別花時間和高昂的費用做「流程自動化」。只要單一節點改變，你的整套自動化系統就會直接報廢，只剩曇花一現。

也許懶貓會被其他語音轉字幕工具取代，我未來可能花 2 元台幣就能處理一小時字幕；或是srt 轉 lrc 的步驟被取代，以後音檔直接就能下載 lrc 格式；也許豆包會被更優秀的工具替換；甚至出現全新字幕平台，不僅一小時只要 10 元台幣，還能自動每行控制在 18 字以內。

哪個環節被取代，我們就即時壓縮、優化流程。產業流程自動化的迭代速度非常快，懂得靈活調整流程的人，才不會被工具、成本、趨勢綁死。

哪個環節被取代，我們就壓縮流程，流程自動化的取代會非常快速，所以反而能自由調整的人不被錢燒死。