免费的 Google，现在强得可怕
我隐隐有种感觉，AI 工具快到全面提价收钱的时候了。这不完全是成本压力带来的被迫收费，而是它们的使用效果逐渐趋于完美。
完美这个词有点过分，可用。可以用来拿捏用户。使用效果能够拿捏用户，才有收费的资本。
举个例子，上周在 Google Gemini 2.5 Pro 的支持下，把我一直想做的视频笔记工作流完成了大部分。
这个需求当然没人做，认真的学生用手记录，自己做笔记，做表。我很懒，经常看完就完了。给自己一个理由，咱是长线投资，不在乎一时得失。但一到要卖出或者买入的时候，又想起点位参考。于是想，如果能用代码自动化实现，岂非完美。大模型提炼出来的文字，阅读时间比看视频节省 80%，还能综合多个频道的观点。
这件事的难点在于，中文博主口播不喜欢做字幕，没有脚本，视频必须做音频转录才能得到文本。而且，不露脸的博主喜欢在视频中的 K 线图上手写标注，有时具体点位要看视频才能做好笔记。
动手之前，我让 Gemini 帮我做了任务拆解和开发规划。
首先，解析博主视频频道，得到频道的 rss 订阅链接。通过每天刷新 rss 内容得到最新一期的视频链接。用 yt-dlp 将视频下载到本地。
然后，调用 ffmpeg 对视频进行音频分离，得到 mp3 文件。音频转录到文本，我原本想在本地安装 Openai 免费的 Whisper 来做，后来发现，Gemini 1.5 开始就支持多模态，完全可以做语音转录，无需本地资源还不要钱。干脆直接将音频发送给大模型做转录。
前两部完成之后，已经可以得到带有时间戳的完整转录文本以及提纯后的精炼文本。一般视频笔记做到这里就可以结束了。但我还希望再进一步，把个股的关键点位结合当时视频播放的画面做整合分析。
Gemini 告诉我，这完全可行。我可以将文本中涉及关键点位的时间戳发给 ffmpeg，让它做截图，然后对截图进行二次分析，结合之前的转录文本，再做一次笔记优化。
这部分功能花了我好几个小时。原因是大模型输出的时间戳格式不稳定，2.5 Pro 的指令遵从不好，时常将毫秒当作秒，记录在时间戳上，导致 ffmpeg 找不到对应的时间点。
最后的方案是用 Gemini 1.5 Pro 做完整音频转录，提取时间戳，用 2.5 Pro 做文本处理。最终效果不错。
事情做到这一步，还不够好。我不想每天打开目录去读 markdown 格式的报告，不够好看，不够优雅。
于是我又问 Gemini，我想跨设备阅读，最大化便利性和可读性，我该怎么办？我心里预设的方案，构建一个 Web 网页或者发给 Notion 做成云笔记。
Gemini 和 ChatGPT 分别回答了我的问题，这两个顾问一致认为 Notion 是更好的选择。ChatGPT 甚至不停问我，要不要写 python 脚本帮我实现这一功能。我没理它。
在之前的代码编写中，Gemini 2.5 Pro 出现 bug 的次数不超过 5 次。几乎每次都能正常运行，报告效果需要逐渐调优，但没有编码错误。以前那种代码频频出错，时间花在代码而不是功能优化上的蠢事，已经没有了。
我遇到的唯一问题是cline+gemini 2.5 pro，如果 cline 处理文件出错，会大量消耗 API 调用次数，导致免费额度很快用光。
这个问题让我在后期只能通过 Cherry Studio 和 Gemini 继续对话。好在 Gemini 的代码正确率极高，无需频繁修改。
将优化后的报告上传到 Notion 是另一个挑战。我对 Notion 几乎一窍不通。但 Gemini 通就行了，我把报告拆解和格式优化的任务通通交给它。它甚至提出了自己的方案，把视频截图也上传到 Notion，做成带有原始素材的互动笔记。完美。
这部分代码还在调试，但我已经想好了下一步工作。通过 Notion 刚刚开放的 MCP 协议，将日积月累的视频笔记通过 Cherry Studio 的 AI 聊天框进行检索。把这些自动生成的笔记当作知识库，随时查询关键点位和财报分析。
在 Google Gemini 2.5出来之前，我一直用 Cursor+ChatGPT 来做规划和编程。这一次大量使用 Gemini 2.5 Pro，发现了它的不少短板，但也用出了它的强项。做规划，提建议，不厌其烦的回答各种问题，Gemini 是极佳的架构师和技术顾问。
我在开发这个工作流的过程中，不仅通过 AI 完成了我想做的事，更大收获是和 Gemini的沟通中学习到了更多知识。它并不能从一开始就精确地规划好每一步应该怎么做。
我们的合作是逐渐进展，慢慢深入。它带我一步，我带它一步。它拓展了我的知识边界，我看到了更好的开发方向。编程，反而成了这其中最不重要的一步。我沉浸在所谓的氛围编程中，一步步完成自己的作品。
我相信，今天我做的这一切，很快会被更快更便宜的大模型功能替代。音频转录，截图分析，你直接把视频发给AI 去看不就得了。它们现在不是不能看，而是太贵，太慢，效果不如分拆任务做得更好。在它们变得更强之前，造几个自己的玩具，其乐无穷。
Gemini另一个强大的能力是 Deep Research，我之前为此写过文章。最近再用的时候，我明显感觉到 Deep Research 又做了优化。它不容易死在半道上了。
模拟人工对数十上百个网站进行检索，对信息归类，总结，提炼要点，形成报告，我认为目前没有其他工具比 Google Gemini 的 Deep Research 做得更好。ChatGPT 的 Deep Research 原理和 Google 一样，但在爬虫普适性和历史资料的沉淀上，OpenAI 远不及 Google。
所以，Google 看似在 AI 中稍显落后，但未来可期。
回应我在开篇时的文字，为什么觉得它们要开始收费了？因为在上述开发过程中，Gemini 的服务会变得很慢，免费额度居然会被我用光。ChatGPT 4.5 第一次提示我剩余使用次数。
这些现象预示着，不仅我感知到了 AI 工具的强大，它们自己也知道。白嫖的盛宴，已近尾声。
附一张 ChatGPT 用我的照片生成的黏土版。
提示词：
请根据附上的照片，将画面中的角色转化为 3D Q版黏土风格角色公仔，整体放置于一张 拍立得照片中，并由一只手持握着拍立得相纸。画面呈现出一种视觉效果：角色从拍立得照片中突破边框、延伸进入现实世界的二维空间。
构图比例：9:16 垂直构图
人物设定：将照片中的人物转化为 Q版 3D 公仔，整体约为 1/4 身高比例，呈现全身，保持原照片中的服装与造型，风格为柔软可爱的黏土材质
背景：延续拍立得中的背景，以 Q 版风格绘制，不需再有人物出现，仅作为角色背景的延伸，与照片原始场景一致
拍立得底部文字：手写字体 银山塔林
上一篇文章有读者喜欢封面图，那是 midjourney 画的，放在这里。
