如何使用 Gemini 把播客转成格式良好文本

许多人需要将视频、播客和会议记录的音频转为文本，尤其是识别发言人。

使用 Google 的 Gemini 2.0 Pro 模型可以高效完成此任务，但在国内访问受限。

生成文本时需提供背景信息和输出格式，建议使用 Pro 模型以确保输出质量。

处理长音频时可能出现幻觉问题，需注意校对输出内容。

如果无法访问 Gemini，可以考虑使用 Whisper 模型。

生成带发言人和时间戳的文稿时，需提供音频主题、参与人和专有名词等背景信息。

优先使用 Pro 模型，输出质量最好，Lite 模型可能出现幻觉。

音频文件可先转换为 mp3 或 wav 格式以减少输入体积。

如果输出不完整，可以输入“continue”让模型继续输出，但长音频可能导致幻觉。

导出输出内容时，建议复制为 Markdown，以保留格式。

Whisper 模型是一个不错的替代选择，但需配合其他模型识别发言人。