2 億觀看背後的 AI 內容系統——Cerebras 的 Sarah Chieng 與 OpenAI 的 Cova Lee
2 億觀看背後的 AI 內容系統——Cerebras 的 Sarah Chieng 與 OpenAI 的 Cova Lee
Sarah Chieng 與 Cova Lee 拆解一套六階段的 AI 內容工作流程——研究、指令碼、剪輯、排程——主張 AI 應該接手繁瑣雜務，同時保留源自真實工程工作、獨特的觀點。
Podcast 專家音訊節目
收錄於 888news Podcast 智庫專區，包含精華摘要與上市公司即時行情
Cerebras 開發者體驗負責人 Sarah Chieng 與 OpenAI 開發者體驗團隊成員 Cova Lee 主張，AI 應該接手影片製作中最繁瑣的環節——字幕、音效、素材整理、排程——讓創作者把時間留給想法、品味與聲音。這場工作坊依序拆解他們六階段內容流程（發想、寫指令碼、錄製、剪輯、再利用、發布），說明各階段使用的具體提示詞、自訂「技能」與工具，最後約 20 分鐘的觀眾問答，談工作流程組織、如何找到獨特觀點，以及 AI 如何擴大「開發者」受眾的定義。標題中的「2 億次觀看」在逐字稿中完全沒有佐證；本集是實用的系統操作示範，不是成效指標的案例研究。
兩位講者都以內容創作為正職——Chieng 負責 Cerebras 的硬體與推論產品敘事，同時經營自己的 YouTube、LinkedIn、Instagram 與 Twitter 頻道；Lee 曾任全職短影音創作者（Instagram、YouTube Shorts、TikTok），之後加入 OpenAI 開發者體驗團隊。他們自述的目標，是把 Lee 的設計與系統美學，結合 Chieng 的技術教學風格，整合成一套可重複執行的流程。讀者應該帶走的是具體工具鏈、提示詞模式，以及兩位講者明確的警告：別用這些工具大量生產「AI 垃圾內容」。
標題與縮圖佔了一半的功夫，不是收尾才補
Chieng 說，創作者通常影片做完才花幾分鐘想標題，但這裡其實該投入大約 50% 的心力。照她的說法，這個選擇就是 500 次觀看與 500 萬次觀看的差別。Lee 為此打造了工具：一套 YouTube 研究工具，能把指定創作者的數千支影片彙整到同一處，並生成縮圖改造版本；另外還有「首頁模擬器」，在開拍之前就能預覽某個標題與縮圖放在競爭影片之間是否夠突出。
兩者的基礎都是靈感素材庫（swipe file）——一個集中存放參考資料的倉庫，包括收藏的影片、Pinterest 圖片與書籤貼文。Lee 的素材庫是一個色彩豐富的個人網站；Chieng 的則是一頁樸素的 Notion，貼上她喜歡的 Twitter 連結。重點不是為整理而整理：它讓代理（agent）有一份具體語料，知道創作者心目中的「好」是什麼，Lee 說單靠文字指令傳達不了這件事。Chieng 引用一篇已發表的靈感素材庫策略文章，作為建立素材庫的參考。
Lee 對這件事的定位是：「YouTube 影片的表現，有 50% 其實取決於它的包裝。」她也建議用相對互動率而非絕對數字來評估表現——Chieng 舉的例子是，像 Alexander Wang 這樣的人發什麼都會爆紅，所以有意義的比較，是把貼文拿來跟創作者自己在同一主題上的歷史表現比。
六階段流程，把 AI 派給最繁瑣的階段
工作坊圍繞六個階段展開，兩位講者全場反覆回到這六階段。下表整理各階段對應的 AI 任務與他們點名的工具與技巧。
| 階段 | AI 負責什麼 | 點名的工具／技巧 |
|---|---|---|
| 發想 | 建立靈感素材庫；研究標題、縮圖與競品的包裝方式 | 自製 YouTube 研究工具；首頁模擬器；以 Notion 或個人網站作為靈感素材庫 |
| 寫指令碼 | 訪談創作者，逼出口語化的解說；生成多個指令碼版本 | ChatGPT 語音模式（「就這個想法訪談我」）；用過往內容打造可重複使用的「指令碼技能」；生成三個版本並排序 |
| 錄製 | 產出鏡頭清單；錄製操作示範 | 兩段式鏡頭清單（先在指令碼上標註 A-roll／B-roll／螢幕錄影／圖卡，再產出拍攝檢查表）；Coast 用來找回過去的螢幕錄影；CleanShot X 做標註式螢幕截圖 |
| 剪輯 | 組接剪輯、字幕、音效、文字動畫；整理素材 | 透過 API 使用 Hyperframes（HeyGen 出品）；CapCut、Premiere、DaVinci Resolve、Final Cut Pro；自製音效板；Figma 設計系統 |
| 再利用 | 把長片剪成短片；修正小錯誤 | 用 HeyGen 虛擬分身補拍修正；自動裁切給 Shorts、TikTok、Reels |
| 發布 | 撰寫文案、跨平臺排程 | Buffer API；各平臺專屬的文案技能；發布前的審核關卡 |
Chieng 的寫指令碼方法是「用說的，不用寫的」。她說，一旦動筆，她就會落入自己用過上千次的行銷腔；但用教人的口氣講出來，就會產生自然的解說，之後再包裝即可。語音模式也會訪談她，把不清楚的段落挖出來。Lee 補充：創作者累積足夠作品後，可以把這些作品餵給模型，建立一個能捕捉個人聲音的指令碼技能，然後要求產出三個指令碼版本，再讓模型依明確目標排序（她建議例如把鉤子強度權重設為 50%）。
自訂技能與代理，勝過一次性的提示詞
兩人之中 Lee 更有系統。她維護一個操作 Premiere 的主技能，底下有調色、音效、字幕等子技能，並整理成編號的 12 步流程清單。當她呼叫 Premiere 技能時，它會回報目前進行到哪一步——例如音效已完成、字幕還沒。她說自己不斷更新這份技能，也會重讀確認可讀性，因為這是她最重要的技能。
她還做了一塊九鍵音效板（whoosh、點選聲、快門聲），點一下就把音效插入指定音軌，讓電腦操作型代理能像她本人一樣點著用。Chieng 的對應做法，是指令 ChatGPT 在她桌機上操作 CapCut：修正所有自動生成的字幕（她說這些字幕永遠是錯的）、在圖片彈出與轉場加上她慣用的音效，並把強調的詞句做成大型動態文字。
兩人都會用一個反覆執行的「檢視我的流程」技能。Lee 的提示詞要求模型指出她最花時間的地方，並建議哪些重複性任務可以轉成工具或自動化。這個技能發現她把早晨的待辦分流放在兩個地方，提醒事項還掉進一個她從不檢視的 Slack 討論串；它也標出一個多餘的 Premiere 匯入檢查，拖慢了每次工作階段。另有一個每月版本，檢視哪些貼文表現最好，並據此更新技能。
剪輯是槓桿所在，而控制權是取捨
兩位講者清楚劃分兩種剪輯模式。Hyperframes 這類預先算圖的工具，輸入提示詞就回傳完成檔；要改任何東西，就得重新下提示、重新算圖。時間軸剪輯器則攤開每一層、每個片段、標題與音樂軌，這是細部控制所必需的。Lee 說 Hyperframes 只要極少的提示就能一次產出可用的影片，但她偏好細部控制的路線，因為她想掌控故事的每一個部分。
工具心得方面：Lee 認為 Astra 在 Premiere 的電腦操作上最強，也說 Final Cut 有不錯的 MCP，與模型搭配良好；Chieng 用過 DaVinci Resolve、Final Cut Pro 與 Adobe Premiere，但最偏好 CapCut 桌機版。素材整理方面，Chieng 說為原始素材命名分類（A-roll 與 B-roll、螢幕錄影、截圖）是模型瞬間就能完成的事，完成後還能用來在剪輯軟體裡掛上對應素材。
Lee 最具特色的技巧是改造場景。她的頻道起步時，影片都是在簡陋的研究所宿舍房間裡拍的；她當時用 Photoshop 的生成式填色，把區域遮起來，輸入「小燈串」這類簡短提示，再從三個生成選項中挑一個，陸續加上會動的機器人、窗戶、層架、燈具、電風扇與旋轉的黑膠唱片。她說現在用 ChatGPT 的影像生成也做得到——遮住背景、保持主體不變，一個提示就能讓影片看起來比拍攝現場精緻得多。她也用電腦操作功能加上漂浮的 3D 物件：代理在 Blender 生成模型、匯出成 GLB 檔、匯入 After Effects、旋轉後合成到她的畫面上，全程參照靈感素材庫裡的範例。
真實性是整套系統服務的約束條件
兩位講者都講得很明白：目標不是產量。Chieng 說：「如果你的心得是『喔，我要去做一堆其實只是垃圾的 AI 內容』，我們會很難過。」她的論點是，內容創作本來就難以評估——照固定食譜做不出好影片——所以工具應該移除繁瑣，讓創作者把這件事當成一門手藝來反覆打磨。「說到底，這是你的手藝、你的聲音，你永遠得坐在駕駛座上，否則沒人會看你的內容。」
Lee 用「品味」講同一件事：創作者現在的角色，是產出大的想法，再用工具去執行與精煉。談到如何避免字幕飄出 AI 味，Chieng 提出三個具體做法：把維基百科的「AI 寫作跡象」條目貼給模型，要求它避開所有列出的特徵；加入指標、數字與例項；寫個人的親身故事。她也明確區分聲音——她自己的聲音與公司的聲音——並區分格式，例如長篇訪談、技術示範、短對話各不相同。
Lee 對培養觀點的建議是：活在真實世界裡，而不是吸收網路上的心態，並且當自己人生與經驗的策展人。Chieng 補了兩則軼事：Cloud Code 的開發者關係人員 Tarek 把內容形容成收割與播種——工程師與創辦人早已透過實作播了好幾年的種，這正是他們的內容不落俗套的原因。而 Ty Simonian 這位前 OpenAI 實習生、許多 Astra 示範（機器人畫金門大橋、飛越舊金山）的幕後推手，把靈感歸功於洗澡時的念頭與偶然的片刻——他有一支影片，就來自與熱愛時尚的妹妹的一場對話。
流程背後的模型與硬體
Chieng 的僱主背景與這些工具說法息息相關。她領導開發者體驗的 Cerebras，打造的是她口中全球最快、最大的 AI 處理器，並為 OpenAI、Mistral、Cognition 的模型提供算力。工作坊在 ChatGPT（前身 Codex）上進行，用的是她稱為 GPT-5.6 Sol Ultra Fast 的模型，她說它每秒可跑 750 個 Token，是 ChatGPT 中最快的模型之一——這對處理大型指令碼與檔案很有幫助。她提到工作坊有書面版，以共同發表的部落格文章形式存在，參加者不必自己抄下提示詞。
裝置方面，兩人刻意走不同路線。Lee 用 Sony FX3 拍攝——機身約 2,500 美元，鏡頭再加約 2,500 美元，她說這是自己最貴的一筆消費，也坦承規格過剩，已是足以供戲院放映的電影級。在那之前她用 300 美元的 Canon EOS R50。她還用 Peak Design 碳纖維腳架、營造暖色窗光效果的 Scopo 鏡頭，以及約 60 美元的 DJI Mic Mini，她說這支麥克風拿來用語音模式跟代理對話也剛好。Chieng 推薦約 500 美元的 Sony ZV-1 當入門機，稱 Rode 與 DJI 的小型麥克風是業界音訊標準，並指向 Matt Palmer（曾任職 Replit、現於 SpaceX）整理的入門資源，內容涵蓋居家與公司攝影棚的配置。
問答：工作放在哪裡，誰算開發者
談到組織方式，Chieng 說她刻意不設結構——靈感素材庫、進行中的指令碼、歷史指令碼全放在 Notion，接上 ChatGPT，「不用想太多」。Lee 坦承自己過度工程化，最近把大量素材搬進 ChatGPT 的 Spaces 以避開 Notion 聯結器，創作相關的工作仍留在 Notion。她形容 Dots 是主動出擊而非排程執行：不是 cron 式的「每天檢查我的內容」，而是主動跳出某支影片表現超乎預期，或她忘了發文；她最愛的指令，就是單純叫它講出任何需要立刻處理的事。
談到從成效資料學習，Chieng 直接把 Twitter API 接上 ChatGPT，讓它抓互動資料；她還指出 Twitter 的排序演算法是公開的，可以直接交給模型解讀。她的方法論建議是同類比同類：從同一段長錄影剪出幾支短片，在不同影片上測試不同字幕風格，這樣基礎內容相近，互動差異才能歸因。Lee 的做法是離群值分析——她的研究工具有一條 1 倍到 20 倍的滑桿，對照頻道平均觀看數，篩出大幅超標的影片，縮圖的創新通常就出現在那裡。Chieng 提醒，照抄當下最紅的東西會讓你永遠慢一步，她更傾向抽出背後的框架（例如 LinkedIn 文案結構），再套用到新主題上。
談到從全職轉為兼職創作，Lee 說自僱意味著沒有界線——從早做到晚、沒有休息，但人生由自己掌舵。在 OpenAI，她的工作涵蓋與使用者對談、為團隊成員製作內容、提報 bug、轉達產品回饋，她說團隊把她經營個人受眾視為職務的延伸。談到受眾，Chieng 認為在技術環境裡工作的非技術人員——科技公司與 AI 新創中的非技術職——是眼下最直接的鄰近族群，因為 AI 助理已把知識工作者拉進了開發者受眾。Lee 同意，說 OpenAI 希望開發者就是「所有人」，正在重新思考這個詞的定義，同時也承認在矽谷快速出貨的節奏下，各族群之間存在教育落差。
系統已成熟，佐證仍停留在軼事
這場工作坊的強項是具體：點名的工具、可用的提示詞、12 步的 Premiere 技能、音效板、首頁模擬器。它沒有提供的是衡量。標題的 2 億次觀看從未在逐字稿中出現，除了 Chieng 用來舉例的 500 對 500 萬，也沒有任何逐支影片或逐平臺的成效數字。那些「什麼有效」的說法——花一半時間在標題上、生成三個指令碼再排序、只在基礎內容相近時比較互動——都是以實務經驗判斷的形式提出，並非經過驗證的結果。未解的張力，正是兩位講者都點出、卻都沒解決的那個：讓單人創作者跑完六階段流程的同一套工具，也讓所有人都做得到，這就抬高了品味與觀點的門檻——而這恰恰是他們說無法自動化的部分。值得持續關注的是 Lee 表達對 Premiere 電腦操作回饋的興趣，以及問答中提出的更大問題：OpenAI 的開發者受眾，是否會持續擴張到傳統工程師之外。