Cofacts 跟「字幕由 Amara.org 社群提供」說再見
講者：Johnson | Cofacts 真的假的 | 發起人與工程師
活動：9/17 Generative AI 年會小聚 2025
題目：Cofacts 跟「字幕由 Amara.org 社群提供」說再見
演講介紹
講者分享了他們在做 Line訊息回報機器人與查證協作社群時，逐字稿功能背後的技術需求，說實在這個議題很有趣，因為現在假訊息越來越多，受騙的人群也越來越多，因此能在 Line 上直接辨識是否為假訊息，是一個對大眾很有益的題目。
他們處理的對象高達 23 萬則圖文影音，量體非常大，他們會用先用逐字稿功能取得影音的文字，再用 electic search 去查是否與資料庫內容有相同，因此在這個基礎上，逐字稿功能就變得非常重要，講者分享了許多具體實作會遇到的議題，非常有趣，我也是第一次意識到這類議題的難度所在：
即時性：使用者是在線等待的，不能讓使用者等太久
完整性：為了後續要做 Elastic Search 去查相似內容，逐字稿功能要完整而且可檢索，有檢索與查證需求。
複雜性：影片的守備範圍很超廣，各種排列組合，如下：
無人聲無文字
無人聲有文字
有人聲無文字
有人聲有文字
有人聲有翻譯 (但翻譯可能跟影片的語言不一樣)
有人聲亂翻譯 (直接亂翻譯)
講者講到他們採用的技術演進過程，滿符合 AI 整體發展的趨勢XD：
早期 (OpenAI Whisper API)
速度不錯，19 秒內就能拿到逐字稿。
成本大概 17 美金/月。
但問題是：沒有聲音或純音樂就壞掉。
嘗試過音量偵測，但音樂會干擾。
需要 Voice Activity Detection (VAD) model 來輔助。
後來 (Gemini Flash)
Gemini 能同時處理「視覺 + 聲音」，只要有人聲或文字就能輸出。
價格便宜，能補起影像資訊。
缺點：
沒人聲、沒文字就完全沒用。
30 分鐘會議 OK，但 1 小時長片就會失效。
最終，該選哪個 model，完全取決於你的個案：
如果是短影音、多人上傳，即時性 > 成本。
如果是會議逐字稿，長度限制 > 視覺輔助能力。
我的體會
假訊息辨識不是單純的 NLP 問題，而是「語音 + 視覺 + 即時」的組合拳，逐字稿看似小工具，其實是能不能讓 23 萬則資料被檢索、被比對的核心關鍵，我個人很希望這個項目能做起來，讓大家不再受騙。
作者：Chi