最後更新日期：2025年04月02日

我是個聽覺型學習者。

Podcast、影片、訪談，是我每天很重要的資訊來源。

我試過很多方法，想把這些「聽過的內容」整理成筆記，但過程一直不順利，結果也不如預期。

內容目錄 隱藏

我試過的三種方法

最直覺的做法是邊聽邊寫，像在上課時筆記一樣，但這些時候我多半是在走路、做家事、或是通勤，手根本沒空寫。

後來我試著做「標記」，聽到有感的段落就記個時間戳，回頭再補筆記。
但這方法還是太耗時間，而且回去看時，常常會想不起當時為什麼覺得那句話有感。

後來，我開始嘗試把整段音訊丟進 NotebookLM。英文的內容處理得還行，只是需要你出好問題，才有辦法引導它說出重點。

而如果是中文內容，基本上NotebookLM 常會曲解意思，或丟給你摸不著頭緒的回應。你必須一步步反問、補細節，才能整理出還算可以的筆記。

這三種方法的準確性以及效率，對我來說都不及格。

後來，我也試了一些主打「語音轉筆記」的工具，例如 Memo AI、Tongyi AI。它們的確能整理出不錯的摘要，但當我想取得原始文字稿、加上時間戳，並更一步確認精準度時，往往就需要額外付費。對一個預算有限的學生來說，只能忍痛放棄。

嘗試自己做一個

透過反覆的嘗試，我發現我要的，不是一個幫我總結內容的 AI，而是一份乾淨的文字稿，讓我做為參考，整理屬於我的筆記。

我希望這個工具能夠：

既然現在沒有符合上述需求的產品，那就試著自己做一個吧！

我對程式的知識還停留在大一的必修課（那時候學的還是古老的Fortran），我將需求告訴ChatGPT，它建議我用 OpenAI 開源的 Whisper 模型，來進行語音轉文字。

Whisper 可以自動辨識語言，準確度也非常高，而且是免費的！我只需要安裝與導入Whisper。

第一次轉錄英文影片的成果還不錯，內容都正確。只不過輸出的檔案類類型是.txt，且每行文字都黏在一起，沒有分段。之後嘗試轉錄中文影片時，輸出同樣沒有分段，而 Whisper 針對中文則是預設簡體。

於是我做出了一些優化，包括：

→ 自動分段，讓整份文字稿更適合閱讀和標記

→ 輸出成 Markdown 格式，讓我能匯入 Heptabase、Notion等筆記軟體

→ 將簡體的內容，轉換成繁體

這是我第一次有這麼具體地，把「自己的需求」轉化成「實際可利用的工具」。雖然大多數的技術架構還是來自現成的資源，但能動手整合、微調客製化出符合我需求的版本，意外的很有成就感！

接下來我還想打造更多讓個人知識整理更順手的工作流，希望透過這些工具，能讓我把吸收過的東西留下來。