人间万象：每天十几个小时的转录，我在看什么
陈婧霏发了一首新歌，叫《人间万象》。 世界是一张网，谁在编织方向。 有人跌落了黑夜，有人等待春风。 陈婧霏《人间万象》 我很喜欢她。听完觉得这个歌名刚好能当一个切口，聊一件想聊很久但一直没找到时机的事——我有一个持续观察世界的习惯。 好奇心和那扇窗 往大了说，叫见天地、见众生、见自己。往小了说，就是一种比较纯粹的好奇心。 我的关注列表里不单有我认同的东西，也会有我不太认可、但觉得是一个样本的东西。见过足够多的样本之后，你会真正理解为什么在网上争论大抵没什么意义——你不知道屏幕背后那个人的整个人生背景和思考方式到底是怎样的。 这个世界有一个有趣的分野：一批人在用 ASR 把各类内容变成文字、加速理解；另一批人在用 TTS 把文字变成声音、随时随地听。我属于前者——日常看视频基本都是三倍速，更多时候干脆把音视频转成文字来读。 但文字的表达门槛终归比音视频高太多了。 一个工作繁忙的人，可能只有时间录一段播客或拍个口白视频；一位一线从业者，日常就是拍个视频吐槽几句，写文对他来说显得太正式了。当你想以更广泛的视角去看不同人的真实体验时，音视频会比文字丰富得多。 还有一层：文字的审核门槛更高，这是一方面。另一方面，随着提速降费、上网人群的扩大，公共表达空间也在收窄——水至清则无鱼，你只能在最大公约数里面找话题、聊一些非常"正确"的内容。两相叠加，文字的世界越来越干净，也越来越安全。相比之下，音视频还是有机会传达一些更真实的、没那么"正确"的东西。 至少对我们这代人而言，这还不算太大的问题——毕竟经历过草莽的年代，水面上水面下的东西都有所涉及。但对于更年轻的一代，如果主要依赖的信息来源就是网络，那可能需要非常高的悟性，才能从各种自我阉割里面品读出一些水下的信息。不然的话，就只能靠家庭教育之类的方式来补了。 总之，为了获得对整个世界更广阔的感知，音视频是一个非常高价值的消费渠道。所以我给自己搭了一套音视频转录工具，自动处理各个平台的内容。每天系统处理的转录时长大概在十几个小时以上。 万种人生 那这十几个小时里，我在看什么？ 常态化的订阅覆盖了法律、情感、餐饮创业几个方向，也有不少 AI 和 Agent 相关的经验分享、采访杂谈，偶尔还有些影视八卦。但比起品类标签，更有意思的是你从里面看到了世界的哪些剖面。举几个例子。 一个 07 年出生的女生，高考完当晚开了一场深夜直播。 她学纯文科，北京人，“普通家庭”——她反复强调这三个字。直播里的状态是典型的考后癫狂：语速极快、话题跳跃、自嘲里带着真实的焦虑。她向往 A-level 和柏林的教育，但家庭经济条件意味着她只能走体制内路径，“研究生再出去看看”。 一个 Z 世代，在直播间对几百个陌生人袒露自己的困惑、对教育制度的不满、对未来的迷茫。那种"心比天高"和现实约束之间的落差，在她身上非常直白地呈现。你很难在任何文字媒介上看到这种烈度的真实。 一位医生，用概率论算了一笔账。 韩医生因为漏诊被判刑，这件事在医疗圈炸了锅。而另一位已经转行的医生，用了一个数学概念——生日悖论——来解释自己为什么早早离开了临床：当样本量足够大的时候，任何小概率事件都会变成必然。一个临床医生一辈子接诊的患者数量，远远超过了这个阈值。漏诊、意外这类纠纷，过去尚有"赔钱了事"的出口，但入刑化的趋势把风险拉到了无法承受的级别。 他把这笔账算清楚之后，做了一个不可逆的职业选择。用他自己的话说：提前跑路，防止墙倒砸到我。这不是情绪化的抱怨，是概率论推导出来的理性决策。 一位在城投领域干了十余年的从业者，对着镜头聊了近三万字。 全国城投都是举债过日子，没有靠自己现金流的——这是他的原话。他描述了一种你在书本和新闻里看不到的运转方式：城投公司本质上是地方政府的融资平台——你所看到的城市基础设施，很多就是通过这类平台筹资建起来的，背后的资金链条远比外人想象的复杂和微妙。一个年轻同行写信给他，字里行间充满理想主义的质疑。他的回复浓缩成八个字：和光同尘，但保持清醒。 一个 B 站 做婚恋咨询的 UP 主拆解了"情绪价值"这个词。 她做了一个简单的性别互换实验，就揭开了这个流行概念是怎么从"美好的情感互动"一步步变成"单方面索取工具"的。你在婚恋市场的各种样本里反复看到类似的现象——一个好词被层层扭曲之后，变成人和人之间互相伤害的武器。 新加坡总理接受《金融时报》采访，谈"后美国"秩序。 一个小国的领导人，用极其冷静的语言描述了一个正在发生的变局：世界正从单极走向多极，过程漫长且混乱，小国不能坐等事态明朗。这种视角的高度和坦诚，你很难在中文互联网上找到对等的表达。 还有更多日常的碎片。 一线外卖骑手对配送系统的吐槽。网约车司机在车里录的独白。一位教师对自身处境变化的叹息。一位刚开始学数学的本科生，对 AI 时代数学何去何从的迷茫。 除了这些随手刷到的碎片，我也会主动去挖一些长内容——各行各业人物的访谈、采访、对谈式的纪录片，它们本身都是整个世界的剖面。很多小宇宙里的素人播客，订阅率可能很低，但有时候我也会主动丢进系统处理一遍，看看有什么有趣的信息。 这些内容没有一个能构成完整的"新闻"或"观点"——但法律纠纷里你看到生意、婚姻、友情之间的苟且，看到很多人性的幽微之处。情感咨询里你看到不同的人在婚恋市场上各自的诉求、碰撞和错位。勇哥说餐饮则是一部人间花式亏钱指南——你会真觉得，傻子太多了，骗子可能都不够用了。 观察人类物种的多样性和世界是怎样组成的——这是我长期的课题。人间万象，总是能多看一点的。 工具：我怎么看到这些 去年 4 月，为了更高效地消费音视频内容，我开始做 VideoTranscriptAPI。最开始非常粗糙——只能做 B 站等几个平台的下载转录，没有校对，没有区分说话人，没有推送，没有网页阅读。客观来讲，这个项目也算是完整见证了我整个 Agent 时代工程能力的提升。 除了观察世界，它也承载了不少内容学习的需求——很多 YouTube 上的经验分享、小宇宙的高质量对谈，我都是通过这个系统转成文字来读的。 一年多过去，缺位慢慢都补齐了。现在它支持 YouTube、B 站、小宇宙、抖音、小红书、视频号、Twitter 等主流平台；有 WebUI 可以操作，也有给 Agent 用的 Skill 接口。核心能力： ...