嗨，我是阿瑋 Vic。先看成品。
單人 45 張
左右滑動，點一張放大
小獅妹的表情包，單人 45 張。每一張都是全身演出，沒有一張在立正。
上面是大杯居耳掛包的商品頁。往下捲，一包耳掛從包裝走到一杯咖啡；往上捲，畫面就倒帶回去。
還有一件看不到的。今天早上，我把用了一陣子的口說輸入工具 Typeless 移到垃圾桶。
它每個月要 30 美元。再加上會議錄音轉逐字稿的傳譯寶，兩樣訂閱一個月約 1,346 元。
這兩個禮拜，我和小獅妹把這兩樣都自己做了一份。
小獅妹是大杯居的吉祥物，也是我在電腦上用的 AI 數位助理，底層是 Anthropic 公司的 AI「Claude」。程式是她寫的，我負責說清楚要什麼樣子，再一項一項驗收。
我每兩週會和一位在海外當工程師的朋友聊一次近況。這篇是今晚要帶去的筆記，順手整理給您。
文中提到的會議與日記內容一律不公開，畫面都用示範資料。費用裡標「推估」的數字，是官方單價乘上我自己的用量算出來的，不是帳單。
第一件事｜吉祥物表情包
先看成果：51 張表情包
這套表情包一共 51 張：小獅妹單人 45 張，加上她和我同框的雙人 6 張。用途是大杯居的 LINE 對話和社群貼文。
每一張都經過同一條流程：
- 先決定情境，例如「早安」「收到」「忙翻了」「沒喝咖啡會當機」。
- 每個情境寫一份表演腳本（下一章的「八維」）。
- 讓 AI 依腳本逐張畫出全身演出。
- 去背、在胸前合成大杯居的 Logo、加白邊。
- 我在一個選圖頁上逐張點「通過」或「重生」，附一句原因。
第一輪 47 張裡，我通過 33 張、退回 14 張。退回的原因很具體：微表情不夠明顯、手畫斷了、身體扭曲，還有一張單膝獻上咖啡豆，看起來太像求婚。
雙人 6 張
左右滑動，點一張放大
雙人 6 張。「又有新要求」那張，是小獅妹對我的真實心聲。
問題：AI 畫的人都在立正
第一批 10 張出來的時候，表情都對，但每一張都站得很直。雙腳併攏，身體正對鏡頭，像在拍證件照。
原因出在腳本。那時候每張只寫一種情緒，例如「早安」寫「剛醒的慵懶，轉成暖暖的笑」。AI 收到一種情緒，就畫一個最穩定、最對稱的姿勢來表達它。
貼圖在聊天室裡只有指甲大小。站得筆直的角色縮到那麼小，就只剩一個「人形」，看不出她在想什麼。
八維：一張表情寫成一場戲
八維是一份表演腳本的格式，每一張表情都要寫滿八項。我是從一支教 AI 影片「演技」的教學影片學來的，原本用在影片，我把它改寫成靜態插畫版。
| 維度 | 寫什麼 |
|---|---|
| 1 格位 | 鏡頭角度、構圖，人物在畫面哪裡 |
| 2 人物目的 | 她這一格想做到什麼 |
| 3 情緒節拍 | 情緒走到哪個位置：剛開始、最高點，或正在退 |
| 4 觸發 | 哪一句話、哪個事件讓表情改變 |
| 5 臉部動作 | 眉、眼、鼻翼、嘴角、下巴各在做什麼 |
| 6 目光與身體 | 看哪裡，肩、手、重心怎麼放 |
| 7 氣息與停頓 | 靜態圖用留白、汗滴、張嘴未出聲來表現 |
| 8 結束狀態 | 這一格停在哪個瞬間 |
第 5 項還會附上 AU 編號。AU（動作單元）是心理學描述臉部肌肉動作的編碼，例如 AU12 是嘴角上揚。寫成編號，AI 比較不會自己發揮。
八項寫滿，一張貼圖就有了前因後果。AI 拿到的指令從「畫一個開心的女孩」，變成「她剛聽到一句話，正要做一個動作」。
雙層表演：表層與底層
八維寫滿之後，姿勢還是偏立正。真正的轉折，是把第 3 項「情緒節拍」拆成兩層。
表層是她想讓別人看到的情緒，底層是藏著、只從一個小地方漏出來的第二種感受。以「早安」為例：
| 項目 | 單層版 | 雙層版 |
|---|---|---|
| 情緒 | 剛醒的慵懶，轉成暖暖的笑 | 表層：暖暖的早安笑；底層：還在跟睡意拔河 |
| 臉 | 兩眼瞇成彎月，閉口微笑 | 一眼幾乎閉上、一眼半睜，單邊嘴角上揚，嘴裡還留著呵欠的尾巴 |
| 身體 | 正面站好，雙腳併攏 | 重心在一腳，另一腳踮起；頭歪向杯子，一邊肩膀微聳 |
| 結束狀態 | 定格在捧杯瞇眼笑 | 停在剛要啜第一口、眼睛還睜不開的瞬間 |
拖拉下面的滑桿，可以比較同一個情境的兩個版本：
左：兩腳併攏、雙手捧杯，正面站著。
右：身體斜向一邊、一腳往前踏，一隻眼瞇起來，嘴巴微張，裙擺跟著晃。
左右拖曳中間的圓鈕；用鍵盤時，按左右鍵調整。
同一批 10 個情境，各用單層和雙層腳本畫一輪。單層版多半立正、雙腳並排；雙層版 10 張全部出現重心偏移，也都看得出第二層情緒。我看完的第一句話是「超可愛到爆裂」。
雙層表演整理成幾條寫法，之後每一張都照著寫：
- 臉不對稱：一眉高一眉低、單邊嘴角、兩眼狀態不同。底層情緒就從這裡漏出來。
- 視線有對象：偷瞄、往上看、從杯緣上方看，多半不看鏡頭。
- 身體有斜線：重心放一腳，肩和胯往反方向傾，整體是一條 S 曲線。
- 停在動作中途：點頭點到一半、揮手揮到一半，不停在最穩的那一格。
- 另附英文表演說明：同一場戲用英文再寫一次。生圖模型對中文細節的權重比較低。
第二件事｜自己做口說輸入和會議記錄
兩個很貴的工具
這兩個工具都很好用，好用到我每天都在用，也每個月都在付錢。
| 工具 | 做什麼 | 我付的方案 |
|---|---|---|
| Typeless | 按著快捷鍵說話，放開後，整理好的文字直接出現在游標的位置。贅字、口頭禪、說錯改口都會自動清掉 | Pro 月繳 US$30 |
| 傳譯寶 | 手機錄下整場會議，轉成逐字稿、摘要和待辦 | 專業帳號月繳 NT$390 |
我用它們的場景有四個：
- 跟 AI 下指令都用說的。我的口述紀錄裡，110 則有 108 則是說給 Claude 聽的。打字太慢，說話剛好。
- 會議結束後的紀錄。以前是錄音、複製逐字稿、再貼進行事曆的備註欄，每場都要手動做一次。
- 手機上寫日記。邊走邊說，一說就是好幾分鐘。
- 上課、聽講座、開車時的學習筆記。課程裡的專有名詞很多，例如佛學課的經名和名相。
四個場景加起來，其實是同一件事：把聲音變成整理好的文字，放到它該去的地方。差別只在入口和終點。
架構：三個入口，一個後端
想通「入口不同、處理相同」之後，架構就很簡單了。三個入口，共用同一個後端。點左邊的入口，可以看聲音走哪一條路：
三個入口分別是：
- Mac 口說輸入：選單列上的小程式。按一下 fn 開始說，再按一下結束，文字打進游標所在的地方。
- iPhone 口說鍵盤：做在大杯居 App 裡的鍵盤，任何 App 都能切出來用。今天把單次上限從 2 分鐘拉到 30 分鐘，長篇日記也說得完。
- 會議記錄 App：iPhone 錄整場會議，邊錄邊分段上傳。會議結束後幾分鐘，摘要寫進行事曆對應的那一場，完整逐字稿和錄音同步回 Mac 的資料夾。
後端用的是 Cloudflare Worker（放在雲端、收到請求才執行的小程式），錄音檔、紀錄和詞庫也都放在 Cloudflare。真正「聽」和「整理」的工作，交給 OpenAI 的語音轉文字和語言模型。
共用後端有兩個好處。第一，花錢的地方只有一個，用多少付多少。第二，三個入口共用同一本詞庫，在 Mac 上教會的詞，手機也會。
實際用起來長這樣
下面是在我的 Mac 上實際錄的。為了不放真實內容，我寫了一段示範稿，用電腦語音念給麥克風聽，口頭禪和改口都是故意放進去的。
先量再做：盲評與 2.5 秒
動手寫程式之前，我先定了兩條及格線。過不了就不做，繼續付錢。
品質：10 段真實錄音，7 段要能用
我從自己的錄音裡剪了 10 段，有日記、車上的學習筆記、課程錄音、閒聊。小獅妹把每一段跑過轉錄和整理，我不看是哪個設定，直接評分：
- A：可以直接用。
- B：改一兩個字就能用。
- C：不能用。
結果 A 3 段、B 4 段、C 2 段，A 加 B 剛好 7 段，過關。兩段 C，一段整段只有口頭禪，一段是多人閒聊。
速度：放開按鍵到第一個字，2.5 秒內
口說輸入的手感，取決於說完之後要等多久。我把門檻定在「放開按鍵到第一個字出現」2.5 秒以內。
第一次實測，等待時間的中位數是 6.1 秒，差得很遠。後來做了三件事：
- 先連好線：按下按鍵時就先和伺服器連線，說完不用再等連線。
- 邊說邊送：長口述在明顯的停頓處切段，前面的段落先轉，說完只剩最後一段要等。
- 邊整理邊打字：整理好的文字一個字一個字送回來，不等全文完成。
改完之後，測試環境下第一個字出現約 2.2 秒，全文完成約 3.1 秒（Mac、家用網路、10 段樣本）。
日常實際使用，後端記到的 34 則口述，第一個字平均 2.8 秒，還差一點點。手感已經接近 Typeless，剩下的 0.3 秒留給下一輪。
會學詞：越用越聽得懂
語音轉文字最常錯的，是只有自己會用的詞：人名、地名、課程名、店裡的品項。
做法是在轉錄時附上一份「熱詞」清單，告訴模型這些詞會出現。清單要多謹慎，實測給了我兩次教訓：
- 熱詞加太多，反而把對的聽成錯的：「九十度」變「十字」，「佛塔」變「佛陀」。
- 我把一個地名在清單裡寫錯了，結果每次都被「糾正」成錯的寫法。
所以清單只放我確認過的詞，而且讓它自己長。
- 口說輸入貼出文字後，記住貼在哪裡。
- 我手動改了其中的字，系統比對改前改後。
- 同一組錯字我改過兩次，就自動加進詞庫。
- 聽起來一樣、字卻常寫錯的詞，另外記成對照表，整理時一併修正。
詞庫放在後端，Mac 和 iPhone 共用。我說得越多，它錯得越少。
算帳：一個月省多少
原本每月訂閱
/ 月
自己做的每月成本（推估）
/ 月
先講結論：原本兩樣訂閱一個月約 NT$1,346；自己做的版本，依我的用量推估，一個月約 NT$204，少了大約八成五。一年算下來約省 NT$1.4 萬。
原本的訂閱
| 項目 | 每月 |
|---|---|
| Typeless Pro（月繳） | US$30，約 NT$956 |
| 傳譯寶 專業帳號（月繳） | NT$390 |
| 合計 | 約 NT$1,346 |
自己做的版本（推估）
自己做的版本沒有月費，用多少付多少。我拿官方單價，乘上自己的實際用量：
- 會議：9 月 8 日到 10 月 10 日一共錄了約 484 分鐘、33 場，換算一個月約 450 分鐘、30 場。
- 口說輸入：後端從 10 月 8 日開始記錄，兩天約 11 分鐘，抓寬一點算一個月 170 分鐘。
| 項目 | 官方單價 | 每月用量 | 每月 |
|---|---|---|---|
| 會議轉錄 | US$0.0045／分鐘 | 450 分鐘 | US$2.0 |
| 會議說話者標記 | 約 US$0.006／分鐘 | 450 分鐘 | US$2.7 |
| 會議摘要 | 輸入 US$2、輸出 US$12（每百萬 token） | 30 場 | 約 US$0.8 |
| 口說輸入轉錄 | US$0.0045／分鐘 | 170 分鐘 | US$0.8 |
| 口說整理 | 輸入 US$0.10、輸出 US$0.50（每百萬 token） | 同上 | 不到 US$0.1 |
| Cloudflare | 官網原本就在付的方案 | 在額度內 | 不另外加 |
| 合計 | 約 US$6.4，約 NT$204 |
匯率以中央銀行公布的 10 月 8 日新臺幣對美元收盤價 31.875 計算。token 是語言模型計價的單位，一個中文字約一到兩個 token。摘要與整理的費用依每場、每則的平均長度估算。
能省這麼多，是因為我的用量小。傳譯寶的月費含每月 3,000 分鐘，我一個月只用了 450 分鐘左右；用量如果大上好幾倍，月費方案反而划算。
今天 Typeless 移進垃圾桶之後，我讓小獅妹每週一晚上自動比對一次它的更新紀錄。有新功能才問我要不要跟上。它一直是很好的老師。
第三件事｜耳掛包捲動廣告
從 3D 到 AI 影片
我想在商品頁做一種展示：往下捲，商品跟著轉、跟著拆開，像蘋果官網那樣。
第一版是 3D。小獅妹用網頁 3D 技術做了一個耳掛包的模型，貼上真實的包裝標籤，捲動時跟著轉。技術上做成了，我看完說：「太像遊戲了。」
第二版改成 AI 影片，步驟如下：
- 先查沖法：耳掛怎麼泡，查了四個品牌的官方說明，整理成步驟。
- 出分鏡：小獅妹提了五個分鏡方案，我在一個表態頁上選了「一路往下」那一案。
- 畫停格：五張 AI 停格圖，從包裝、撕開、掛上杯子、注水，到一杯咖啡。
- 補轉場：把相鄰兩張停格當成第一格和最後一格，讓影片模型補出中間約 2.6 秒的動作。這叫「首尾幀」生成。
- 接成一支：五段轉場接起來，一共 297 格。
影片生成的費用，累計約 1.8 美元。
捲動就是播放頭
整個效果的原理只有一句：捲軸捲到哪裡，影片就跳到哪一格。往下捲是播放，往上捲是倒帶。
做起來有幾個細節：
- 倒帶要順：一般影片為了省空間，大多只記錄「這一格和前一格差在哪裡」。要倒帶，就得從最近的一張完整畫面重算。所以這支影片每 8 格放一張完整畫面，檔案大一點（約 3.7 MB），換來往回捲也順。
- 快滑不跳段：手指一滑可能直接跨過好幾段。播放頭會用 2.5 到 6 倍速追上去，畫面依序播過，不會直接跳到結尾。
- 停下來也有呼吸：手停住時，換上高畫質的停格圖，整個畫面以 6.5 秒一次的節奏微微放大、縮回。
- 尊重使用者設定：手機開了「減少動態效果」或省流量模式，就只換停格圖，不播影片。
商城的商品卡片上，我也試過放循環短片，看了幾版之後，還是改回靜態的封面。會動的東西放在商品頁一個地方就夠了。
想自己捲捲看，耳掛包的頁面在這裡：
三件事的共同點
表情包、口說輸入、捲動廣告，三件事差很多。回頭看，做法有三個共同點。
先把「想要的樣子」寫成可以檢查的標準
「表情要生動」沒辦法驗收，「重心在一腳、臉不對稱、停在動作中途」可以。「要快」沒辦法驗收，「第一個字 2.5 秒內」可以。標準寫得越具體，AI 越不會自由發揮。
用真實素材先量
口說輸入用我自己的 10 段錄音盲評，捲動廣告先在手機、平板、電腦三種寬度上測過。用示範資料測，永遠會過。
量大的交給 AI，判斷留給自己
51 張表情是 AI 畫的，通過哪一張是我點的。程式是小獅妹寫的，分鏡選哪一案、3D 要不要繼續，是我決定的。我花的時間，幾乎都花在「看」和「選」。
常見問題
關於自己做工具
Q：完全不會寫程式，做得出來嗎？
程式碼都是小獅妹寫的，我沒有自己寫。但過程中要能看懂錯誤、願意照步驟處理卡關，例如 iPhone App 的簽章、網站的部署。做 iPhone App 需要一台 Mac。
Q：為什麼不繼續用現成的就好？
現成的工具很好，如果用量大、又需要跨很多平台，我會繼續付。我自己做，是因為三件事要接在一起：詞庫要共用，會議要直接寫進行事曆，日記要寫進大杯居 App。加上我的用量不大，按用量付費比月費便宜很多。
Q：自己做的，準確度跟 Typeless 比起來如何？
我沒有做嚴格的同場比較。我能說的是：10 段真實錄音盲評，7 段可直接用或小修就能用；日常使用的手感接近。Typeless 支援的平台和語言比我做的多很多。
關於資料與安全
Q：錄音和文字放在哪裡？
放在我自己的 Cloudflare 帳號。口述的原始文字 90 天後自動刪除，只留下詞庫。轉錄和整理時，聲音和文字會送到 OpenAI 的 API 處理。依 OpenAI 的說明，送到 API 的資料預設不會拿去訓練模型，濫用監控紀錄最多保留 30 天。
Q：會議錄音裡有別人的聲音，可以這樣處理嗎？
錄音前先取得與會者同意比較妥當。公司會議能不能錄、能不能送到雲端處理，請先確認所屬單位的規範。
關於表情包與捲動廣告
Q：表情包是用什麼畫的？要花錢嗎？
用 OpenAI 的 Codex 生圖功能，算在我原本的 ChatGPT 訂閱額度裡，沒有另外付費。實測一張約用掉五小時額度的 1%。退回重畫的也算在裡面。
Q：捲動影片會不會很耗流量？
影片約 3.7 MB，比一張高解析照片大一些。手機開了省流量模式，頁面只載入停格圖，不載影片。
最後
垃圾桶裡的 Typeless 還沒清。
它教會我很多事：說話比打字快，贅字可以交給機器，好的工具會讓人忘記它在那裡。
這篇文章的需求，也是我用口說輸入說給小獅妹聽的。「去識別化」被聽成了「去世別話」，這個詞大概很快就會進詞庫。
花活搞完，日子還是要過。省下來的錢，拿去買好一點的咖啡豆。
阿瑋 記於 2026 年 10 月
八維表演的寫法，改寫自 Foyege 的 AI 演技教學影片，謝謝無私分享。