好久没有测试 Gemini 提取字幕的能力了，对 3.8 Flash 这个模型也进行测试

视频时长11分半，不对视频进行切片，一次性导入上下文，多模态分析

第一次 API 调用完成字幕提取

测试一：音频转字幕

拖入音频文件，获取字幕

镜头这个位置是AI识别出的字幕

完成该操作时使用了17K的输入和8K的输出

只调用一次API

所有时间戳均准确无误

唯一缺点是该专有品牌采用了中文名称，这个中文名在互联网上均无法查询到

测试二：视频转字幕

直接把视频文件拖入聊天框，可以通过视觉能力理解视频中的内容，这对字幕的提取更有帮助

时间戳依然准确，时间戳比视频内嵌的字幕更准

这就更加牛逼了，可以通过画面内容来进行修正

携带视频的情况下，Token 就需要多很多， 62K 输入，10K 输出

如果我是视频创作者，需要为视频添加字幕，那么 Gemini 就是我的唯一选择