前幾天在聽podcast時聽到一段不錯的內容，不過因為我用的不是 Apple Podcast, 沒有逐字稿，索性把之前在 colab 上跑的 fast whisper 拿出來用。但因為 podcast 是對談，想分不同的講者，於是找了一下有沒有 solution。發現大多是用 pyannote 去進行說話人分割 (diarization)，然後再 對齊 (align)。 目前 whisperX 已經有支援。
whisperX 之前有「停更」過一段，今年又恢復更新。於是找了些資料，把 colab 的版本架了起來。後面又發現中文的斷句和標點有些麻煩， GPT 介紹的幾個作法不是不好用，就是有幻覺。最後還是選擇直接叫 GPT 來修飾文字，畢竟本來就是語言模型。
過程中發現 ChatGPT 很有耐心地關心我的需求和碰到的錯誤，真的像是要一步步地帶著我完成所有的程式碼。雖然產出的東西偶爾會有錯，我也會自己手殘去修改一些我要的邏輯。不過如果回饋給他，他會記住，並且在後續的版本持續完善整個程式碼。
這些 code 完全由我自己寫的已經 <50% 了， vibe coding 真是驚人。