[{"categories":["2026年"],"content":"","date":"2026-10-10","externalUrl":null,"permalink":"/tags/2026%E5%B9%B4/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"2026年","topic":"tags/2026年","topics":["tags/2026年"],"type":"tags"},{"categories":["看看番剧"],"content":"历史级别的盛宴，好有好的，神有神的，烂的有烂的，平庸的有平庸的，百合的有百合的，gay 有 gay 的，吃爽了。 简单总结# 夏季新番# 本季度收录作品共看完 13 部，弃番 0 部，搁置 0 部。 回顾旧番# 回顾旧番共 4 部： 无职转生～到了异世界就拿出真本事～ : 8/10 瑞克和莫蒂 第八季 : 7/10 夏日口袋 : 6/10 彻夜之歌 : 未评分 夏季番剧详评# 穹庐下的魔女# 穹庐下的魔女 ★ 9/10状态: 看过 即使跳出动画这一范畴，也依然足以称得上佳作。人物塑造特别立体细致；剧本扎实剧情工整；独特精致甚至称得上奢侈的绘本画风与恰到好处的演出相得益彰。有服饰设计、动作、习俗等大量细节，融入蒙古乐器元素的配乐虽然感觉重复得有点多但还是很是用心。总的来说，这是一部极见功力而且完成度极高的作品，8+的+有点多了，索性向上取整罢\n佳回标记 ep 6/9/10/12\n放送日期:2026年7月4日评价日期:2026-9-13 恶女不才，请多关照 ～雏宫蝶鼠换身传～# 恶女不才，请多关照 ～雏宫蝶鼠换身传～ ★ 7/10状态: 看过 后宫百合、超人女主。图一乐挺好看的\n放送日期:2026年7月12日评价日期:2026-10-4 尼古喵喵# 尼古喵喵 ★ 7/10状态: 看过 逆天snp作品，但偏偏制作极其精良，各种小细节制作组相当用心看得出很爱了。\n至少能让我释怀的大笑\n放送日期:2026年7月2日评价日期:2026-10-1 碧蓝之海 第三季# 碧蓝之海 第三季 ★ 7/10状态: 看过 穷出天际了，几乎比肩动态漫…\n放送日期:2026年7月6日评价日期:2026-10-1 攻壳机动队 THE GHOST IN THE SHELL# 攻壳机动队 THE GHOST IN THE SHELL ★ 7/10状态: 看过 一个完整的故事，珠玉在前这个版本没有什么很特别的感觉……最后一集的大段念经倒是让我联想起了近期听过的 Rich Sutton讲持续学习的播客\n放送日期:2026年7月7日评价日期:2026-9-17 八仙！# 八仙！ ★ 7/10状态: 看过 虽然几乎所有的 伏笔/反转/诡叙 都能被容易的看穿，但是还是有不错的设计的，另外剧本的完整性还是值得称赞的，这是印象最深刻的优点。存在部分剧情我个人嫌尬或者过于缺乏逻辑，以及个人感觉部分转折过于草率的问题。 孙悟空的剧情出场又香又臭的，我还是觉得多此一举。 前早期有点难熬但是后期节奏不错。 3D的质感比我过往印象中的要好不少，但是高饱和度的风格也是个人不喜欢。 音乐有时候喧宾夺主而且和画面没有充分配合。 整部电影的深度和广度都可以拓展，但是或许对于动画电影的要求也不应该那么高。\n总之是一部我个人不太喜欢但是客观来讲确实没啥大毛病的动画电影。\n放送日期:2026年7月18日评价日期:2026-8-9 在超市后门吸烟的二人# 在超市后门吸烟的二人 ★ 6/10状态: 看过 暂无短评。\n放送日期:2026年7月9日评价日期:2026-10-6 再见菈菈# 再见菈菈 ★ 6/10状态: 看过 中开上扬低走。\n放送日期:2026年7月5日评价日期:2026-10-6 与你相恋到生命尽头# 与你相恋到生命尽头 ★ 6/10状态: 看过 世界观/大背景不合理到了雷点的程度，角色的成长缺乏逻辑，角色扁平。就剩下贴贴好看了。\n放送日期:2026年7月7日评价日期:2026-10-1 欺诈游戏# 欺诈游戏 ★ 6/10状态: 看过 原著\u0026amp;剧情还是好看的。但是动画太便宜，画风雷霆大芒果人脸之类的我受不了?yorushika好评\n放送日期:2026年4月6日评价日期:2026-10-6 魔法少女奈叶 EXCEEDS Gun Blaze Vengeance# 魔法少女奈叶 EXCEEDS Gun Blaze Vengeance ★ 5/10状态: 看过 找不出推荐看的理由，乏味\n放送日期:2026年7月4日评价日期:2026-9-25 缎带英雄# 缎带英雄 ★ 5/10状态: 看过 看得我好痛苦。只知道剧情在公式化推进但到最后也没揭示推进的逻辑，喊着友情啊羁绊啊就冲上来了.jpg.主角二人之外的角色的形象与成长(如果可以称之为成长的话)扁平且模板化，甚至感情线也有点为了感情而感情。最后高潮(存疑)部分的逻辑疑似梦见什么剧本就是什么。而且在高潮部分才连续的塞搞笑环节，就像是吃饭主菜吃进嘴里想起来没放调料，才开始往嘴里倒味精。女主配音气声过于明显，幻听某知名cv。总而言之很多很多方面都是“身为观众都心知肚明要写什么/表达什么，但是演绎出来的整段垮掉”的感觉。盘算下来也就剩下华丽的画风值得称道了。 我得向下午错误评价为一般的《八仙》道歉\n放送日期:2026年8月8日评价日期:2026-8-9 二十世纪电气目录# 二十世纪电气目录 ★ 3/10状态: 看过 在烂的程度上，和母鸡卡、永久黄昏坐一桌，略逊于异画三体，次于拉撒路/达尔文事变那种价值观有问题的层面。由于烂到了一定程度，烂到了剧情成了搞笑番猎奇番的地步，所以我是真诚的推荐观看去评鉴体悟。剧情零蛋，设定不是槽点多而是到了还剩不了几个立得住的的程度了。这还是在我容许别的如非人类演出、白毛大鼙鼓、白毛颜技、男主小夫嘴女主popi子眼、少女乐队等等等等等等都视作“趣味性”的情况下的判断。白瞎了这么好的作画\u0026amp;音乐制作水准\n放送日期:2026年7月5日评价日期:2026-10-3 ","date":"2026-10-10","externalUrl":null,"objectId":"post-1dd5e5410d10fa3a96d7dd60a0585ba3","permalink":"/anime/anime-review-2026-07/","readingTime":5,"section":"看看番剧","summary":"记录2026年夏季新番个人简评。","tags":["番剧","季度总结","2026年","夏季"],"title":"2026年夏季新番观后简评","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["夏季"],"content":"","date":"2026-10-10","externalUrl":null,"permalink":"/tags/%E5%A4%8F%E5%AD%A3/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"夏季","topic":"tags/夏季","topics":["tags/夏季"],"type":"tags"},{"categories":["季度总结"],"content":"","date":"2026-10-10","externalUrl":null,"permalink":"/tags/%E5%AD%A3%E5%BA%A6%E6%80%BB%E7%BB%93/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"季度总结","topic":"tags/季度总结","topics":["tags/季度总结"],"type":"tags"},{"categories":["季度新番"],"content":"","date":"2026-10-10","externalUrl":null,"permalink":"/series/%E5%AD%A3%E5%BA%A6%E6%96%B0%E7%95%AA/","readingTime":0,"section":"电视剧集","summary":"","tags":[],"title":"季度新番","topic":"series/季度新番","topics":["series/季度新番"],"type":"series"},{"categories":["番剧"],"content":"","date":"2026-10-10","externalUrl":null,"permalink":"/tags/%E7%95%AA%E5%89%A7/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"番剧","topic":"tags/番剧","topics":["tags/番剧"],"type":"tags"},{"categories":["看看番剧"],"content":"内容包括涵盖# 季度/年度的新番总结、个人评分，关联bangumi 回顾旧番时的感想 百感交集感想丰富的番剧…… 宏观领域() ","date":"2026-10-10","externalUrl":null,"permalink":"/anime/","readingTime":1,"section":"看看番剧","summary":"努力回顾旧番，坚持追新番","tags":[],"title":"看看番剧","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["看看番剧"],"content":"相对平庸的一个季度吧。最惋惜的就是尖帽子了，但是白糟蹋了这么好的画面…… 简单总结# 春季新番# 本季度新番共看完 7 部，弃番 0 部，搁置 0 部。 回顾旧番# 回顾旧番共 16 部： 无职转生～到了异世界就拿出真本事～ : 8/10 瑞克和莫蒂 第八季 : 7/10 夏日口袋 : 6/10 瑞克和莫蒂 第七季 : 8/10 瑞克和莫蒂 第六季 : 7/10 瑞克和莫蒂 第五季 : 7/10 瑞克和莫蒂 第四季 : 8/10 瑞克和莫蒂 第三季 : 8/10 瑞克和莫蒂 第二季 : 8/10 瑞克和莫蒂 第一季 : 8/10 约会大作战 : 7/10 JOJO的奇妙冒险 : 7/10 魔法少女小圆 : 8/10 游戏人生 零 : 8/10 游戏人生 : 8/10 彻夜之歌 : 未评分 春季新番详评# 瑞克和莫蒂 第九季# 瑞克和莫蒂 第九季 ★ 8/10状态: 看过 这季质量真不赖，好看\n放送日期:2026年5月24日评价日期:2026-7-28 婚姻剧毒# 婚姻剧毒 ★ 7/10状态: 看过 人设出色印象深刻，除了战斗设定打斗逻辑之外的部分很好看。\n放送日期:2026年4月7日评价日期:2026-7-1 尖帽子的魔法工房# 尖帽子的魔法工房 ★ 6/10状态: 看过 画面好好看，剧情好难看，音监日常拉跨。 思来想去真就只有制作水平和suis参与的op可以抬一手分数了。这断章…没有“推荐”的理由\n放送日期:2026年4月6日评价日期:2026-7-1 公鸡斗士# 公鸡斗士 ★ 6/10状态: 看过 王道热血漫，鸡哥真男人。但是感觉还是很套路化审美疲劳\n放送日期:2026年4月5日评价日期:2026-6-27 和班上第二可爱的女孩成为朋友# 和班上第二可爱的女孩成为朋友 ★ 6/10状态: 看过 本季度份的科幻神人恋爱喜剧，依旧铃代纱弓。男女主甜甜甜甜，直率不拧巴有事说得开是好文明。男主的原生家庭矛盾算是创新点了(虽然处理方式我感觉有点草率\u0026amp;重拿轻放),算是这类恋爱喜剧里有点想法的\n放送日期:2026年4月7日评价日期:2026-6-27 欢迎来到实力至上主义的教室 第四季# 欢迎来到实力至上主义的教室 第四季 ★ 6/10状态: 看过 中规中矩，节奏略显拖沓。每次看实教都在 瞅瞅怎么一回事 和 弃了不想看 之间反复震荡…另外这一季的这个毛糙不均匀的描边也不知道是故意为之还是什么情况，极其影响观感，得额外扣分\n放送日期:2026年4月1日评价日期:2026-6-27 上伊那牡丹，酒醉身姿似百合花般# 上伊那牡丹，酒醉身姿似百合花般 ★ 5/10状态: 看过 百合糖精，一堆晶莹剔透光彩熠熠的玻璃。op好评，ed风格好评\n放送日期:2026年4月10日评价日期:2026-6-27 ","date":"2026-08-01","externalUrl":null,"objectId":"post-1722ec8d3e8064f82129e83c5f42118c","permalink":"/anime/anime-review-2026-04/","readingTime":2,"section":"看看番剧","summary":"记录2026年春季新番个人简评。","tags":["番剧","季度总结","2026年","春季"],"title":"2026年春季新番观后简评","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["春季"],"content":"","date":"2026-08-01","externalUrl":null,"permalink":"/tags/%E6%98%A5%E5%AD%A3/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"春季","topic":"tags/春季","topics":["tags/春季"],"type":"tags"},{"categories":["世界杯"],"content":"","date":"2026-07-20","externalUrl":null,"permalink":"/tags/%E4%B8%96%E7%95%8C%E6%9D%AF/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"世界杯","topic":"tags/世界杯","topics":["tags/世界杯"],"type":"tags"},{"categories":["随笔"],"content":"大一那年的冬天，我在方舱医院里，见证了阿根廷奇迹般的夺冠历程。2022于我而言，是非常特殊的一年，有太多的记忆点：高考升学，新冠疫情，梅西\u0026amp;库里相继夺冠……兵荒马乱与心满意足，似乎都挤在了那短短一年里。\n四年倏忽而过。今天或许正是我人生中作为学生的最后一天；恰巧又是这一天，我见证了世界杯赛场上梅西最后的荣光。\n这届世界杯上，39岁的梅西依旧展现出了当代最佳级别的表现，在各种数据榜单上与小了两三代的球员争先。开赛前很少有人诚心认为这辆潘帕斯老爷车还有油，可他们终究是磕磕绊绊地黏进了决赛。\n决赛的最后一舞难称圆满。梅西拿球仍有进攻威胁，但是阿根廷终究入气短、出气长：伤病累累，上头易怒，不成章法，乃至溃不成军。大马丁低迷了大半届赛事，换来决赛中的神级发挥，却也只能左右支绌、无力回天。苦苦煎熬120分钟，也难免眼角发酸。\n伟大不需要用所有的胜利去证明。另一边，加泰罗尼亚的年轻人们敢拼够强，拉玛西亚出品的后继们生生不息，赢得了足球的胜利。这也算是一点慰藉罢。\n一场夺冠，一场失利，恰好分居我大学四年的两端。“日月忽其不淹兮，春与秋其代序。”从方舱医院的病床到学生时代的最后一天，四年光阴，回头望去，竟仿佛只隔着一场球的时间。\n“15岁的巴萨小小小将亚马尔在西甲上演首秀，15岁的你在干啥？”\n这是2023年亚马尔完成巴萨一线队首秀时，直播吧一则资讯的文案。当时我由此回忆了自己高三成绩“逆袭”的故事；然而其时的我，刚转专业到AI不久，也正处在另一番困顿、迷惑与煎熬之中。\n后来想来，真正使我长久记住这则资讯的，或许并不只是亚马尔15岁便有多么了不得，而是它那种理所当然的问法：15岁的别人已经做到了这些，15岁的你又在做什么？\n人们似乎总喜欢把年龄作为横轴，把成就作为纵轴，再将不同的人放到同一张图表里比对。15岁有没有崭露头角，18岁考进了什么学校，毕业拿到了怎样的offer，23岁又成为了怎样的人。人生仿佛是一张公开的数据榜单，每一个年龄都应当对应一项足以示人的成绩；稍慢一步，便像是辜负了时间。而我也习惯用这样的方式审视自己。\n日居月诸，胡迭而微？回顾过去浑浑噩噩的四五年历程，细究下来，变化却也不少。作为一个缺乏自我肯定能力的人，我的自我认知基本建立在和他人的比对，以及他人对我的认知之上。这是一把双刃剑：它曾驱使我超过父母口中提到的“别人家的孩子”——直到他们再也不说“别人家的孩子”为止；也让大学期间绩点3.2\u0026amp;挂科\u0026amp;排名倒数的我，陷入极深的内耗与自卑。\n“胜人者有力，自胜者强。”很长一段时间里，我其实只懂得前半句：超过别人，从别人的落后中确认自己的领先，再从他人的赞许中拼凑对自己的肯定。等到了大学，原先熟悉的评价体系坍塌，我才不得不开始学习后半句。\n由于缺乏明确且发自内心的目标，我时常迷茫，不知所从。别人往前走时，我害怕自己落后；可真要问我究竟想去哪里，我又答不上来。正是在这样的困顿之中，我慢慢转变了思维模式，不再把学业成绩看得那么那么重，也开始尝试着从“学会点什么”本身\u0026amp;“做点有用的事”等等之中，来找拾自我价值。\n这种转变当然不是一朝一夕的顿悟。它很慢，时常反复，也没有一条清晰的分界线。到了今年，考研失败，现实压力扑面而来，我才真正需要为自己的下一步作出选择。\n那以后，以找工作为中心目标，全力以赴了小半年时间。中途既遇见过神人初创公司，也有过权衡利弊后决定赌一把的取舍(在这里也是非常抱歉对不起安徽电信/联通的某某市公司……)。ヨルシカ在《藍二乗》里唱着“人生这回事，不过由一次次妥协连缀而成。“听来未免有点丧气，却意外地贴合那段日子：选择之所以成为选择，正是因为不可能样样兼得。一路颇多曲折，所幸最终能选到自己最心仪的工作，实是极为幸运的。\n不是所有有价值的东西都必须留下形状，也不是所有真正发生过的变化都能够被写进成绩单。夜鹿在《花に亡霊》里还有一句“形に残るものが全てじゃないように”——愿世间并非只有留下形迹的，才算数。当然，过去的迷茫不会被轻轻一笔勾销。但至少成绩以外，那些学会的东西、做过的事情，诚然确有回响，便已足矣。\n病痛中的方大同，在《才二十三》里吟唱着对时间流逝的真挚情感。那一句“上一次看，才二十三”，从他的生命里唱出来，带着一种回首经年的恍惚：“时间/等不了人，岁月/眨眼就过了，瞬间/就那样默默的，上一次看/才二十三”\n“盛年不重来，一日难再晨。及时当勉励，岁月不待人。”而我幸运的是，还有三年才到二十三。歌里的二十三岁已经成为被回望的远方，我的二十三岁却仍在尚未抵达的前路上。想到这里，总会得到某种真切而难以名状的激励。这种激励并不是说二十三岁以前必须完成什么。三年不应成为一场新的倒计时或者另一项亟待完成的KPI，它只是提醒我，不要再轻易辜负自己尚且拥有的时间。\n日月逝矣，岁不我与；如月之恒，如日之升。\n将这两句并置，意味的转折很有意思：前一句是惶急，后一句却又像是祝愿。如今的我大概正站在两者之间：一面为过去浑浑噩噩、没有抓住的时间惶恐，一面又愿意相信，往后的日子仍然有慢慢上升的可能。\n这样想来，我的学生时代似乎也没有一个多么标准的好结局。没有考研上岸，没有一份足够光鲜的成绩单，甚至到了它真正结束的这一天，我还是很难讲清楚自己究竟找到了什么、成为了什么。但与四年前相比，我不再只是那个需要靠超过别人来证明自己的人了。即使这种转变很慢，反复摇摆，甚至很难被写进任何一项数据里，它也确实发生了。\n四年前，梅西用一座世界杯陪我走进大学；四年后，他没能再用一座世界杯为我的学生时代收尾。可正如前面所说，伟大不需要用所有的胜利去证明，一段学生时代大概也不需要用各种的成功去标点。那些绩点、挂科、失败与侥幸，当然都不能假装没有发生；但它们也不是这四年的全部。至少我学会了一点东西，做成了一点有用的事，也在最后找到了一个自己愿意去的地方。\n39岁的梅西不会因为这一场失利便失去他的伟大，15岁的亚马尔也不会因为早早成名便从此免于风雨。年龄只是时间投下的刻度，并不是高下已定的判词。人生并不是只有一条既定的线路：别人的15岁、23岁或39岁，只是他们沿途经过的站点，并不是我错过便再也无从出发的末班车。\n我就要以另一个身份生活了。工作会不会顺利，AI产业会发展得怎样，三年后的我又会怎样看待今天，这些都还不知道。学生时代结束了，但迷茫自然不会轻易随之烟消云散。不过我逐渐觉得，人生没有预先标注好的标准答案，成长也不是一次便能收敛的训练。那些选择、犹疑、碰壁、取舍与重新出发，都是更新参数的样本；它们最终留下的，不是一份固定解答，而是面对未知输入时，重新作出判断的能力。\n“人生如逆旅，我亦是行人。”学生时代到此为止，而我仍在旅の途中，前方仍然是まだ見ぬ世界。二十三岁时我会变成什么样，就留待那时再看罢。\n","date":"2026-07-20","externalUrl":null,"objectId":"post-abe564bdd6cb76633bf81a0c833986a3","permalink":"/note/between-two-world-cups/","readingTime":6,"section":"随笔","summary":"一场夺冠，一场失利，恰好分居我大学四年的两端。","tags":["随笔","成长","世界杯"],"title":"在两届世界杯之间长大","topic":"note","topics":["note"],"type":"note"},{"categories":["成长"],"content":"","date":"2026-07-20","externalUrl":null,"permalink":"/tags/%E6%88%90%E9%95%BF/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"成长","topic":"tags/成长","topics":["tags/成长"],"type":"tags"},{"categories":["随笔"],"content":"内容# 生活琐事 心得体会 备忘录，勿忘 ","date":"2026-07-20","externalUrl":null,"permalink":"/note/","readingTime":1,"section":"随笔","summary":"尽量不见证，当备忘录用","tags":[],"title":"随笔","topic":"note","topics":["note"],"type":"note"},{"categories":["随笔"],"content":"","date":"2026-07-20","externalUrl":null,"permalink":"/tags/%E9%9A%8F%E7%AC%94/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"随笔","topic":"tags/随笔","topics":["tags/随笔"],"type":"tags"},{"categories":["看看番剧"],"content":"看爽了的一个季度，神仙打架，续作佳作神作云集。 简单总结# 冬季新番# 本季度新番共看完 11 部，弃番 0 部，搁置 0 部。 回顾旧番# 回顾旧番共 9 部： 游戏人生 零 : 8/10 游戏人生 : 8/10 异世界舅舅 : 6/10 化物语 : 9/10 出包王女Darkness 第二季 : 7/10 出包王女Darkness : 8/10 更多 出包王女 : 7/10 出包王女 OVA : 7/10 出包王女 : 6/10 冬季新番详评# 异国日记# 异国日记 ★ 8/10状态: 看过 方方面面都很扎实，画面有很多巧思，牛尾的音乐很搭，情感传达得非常细腻。\n放送日期:2026年1月4日评价日期:2026-4-5 咒术回战 死灭回游 前篇# 咒术回战 死灭回游 前篇 ★ 8/10状态: 看过 对原作的不满不带到动画里了，多的不说了，mappa神了。\n放送日期:2026年1月8日评价日期:2026-3-28 超辉夜姬！# 超辉夜姬！ ★ 8/10状态: 看过 音乐8.5 剧情7 节奏把握6.5 氛围8.5 作画 8.5 人物塑造 8 ;综合 7.8。前期剧情推进太跳跃了观感很混乱，但好在剧情后面令我信服的自圆其说了，而且还有点到即止的小刀QwQ 辉夜活跃到配合上夏吉的高音尖细的声线有点聒噪了…内容是真的大杂烩成分复杂\n放送日期:2026年1月22日评价日期:2026-1-23 神八小妹不可怕# 神八小妹不可怕 ★ 7/10状态: 看过 正经灵异恐怖番佳作。恐怖时的气氛很到位的，老师、作家、南无等人物刻画鲜明，剧情抽丝剥茧虽然最后我觉得结束得有点仓促草率…穷了点但问题不大，再有就是前两集画面闪烁有点影响观感\n放送日期:2026年1月11日评价日期:2026-3-30 Fate/strange Fake# Fate/strange Fake ★ 7/10状态: 看过 高规格作画爽看。优秀鲜明的人物塑造，但作为季番，剧情切得太碎了追番体验不好\n放送日期:2026年1月3日评价日期:2026-3-29 葬送的芙莉莲 第二季# 葬送的芙莉莲 第二季 ★ 7/10状态: 看过 称得上优秀的奇幻公路片，但有模版化套公式感了，剧情撑不起来，作画也没特别出彩/惊艳的巧思，音乐在部分场景喧宾夺主/不合时宜，就有点…平庸\n放送日期:2026年1月16日评价日期:2026-3-28 我们不可能成为恋人！绝对不行。 (※似乎可行？) 〜再次闪耀！〜# 我们不可能成为恋人！绝对不行。 (※似乎可行？) 〜再次闪耀！〜 ★ 7/10状态: 看过 女女关系性神人乐子后宫喜剧番，挺好看的至于剧情…在足够乐的情况下俺可以丢掉脑子看的，虽然即便如此最后一集的展开依旧接受不能。 制作组用心做了十七集好评加一分\n放送日期:2026年1月1日评价日期:2026-1-19 和机器人啪啪啪能算在经验次数里吗？？# 和机器人啪啪啪能算在经验次数里吗？？ ★ 6/10状态: 看过 有乐子的机攻人受百合泡面肉番\n放送日期:2026年1月9日评价日期:2026-3-29 魔都精兵的奴隶 第二季# 魔都精兵的奴隶 第二季 ★ 6/10状态: 看过 画面上色比第一部好，制作有个平均略往上的水平。符合预期的一季…无咎无誉。但是这个鼻子的画风不喜欢…\n放送日期:2026年1月8日评价日期:2026-3-28 和青梅竹马之间不会有恋爱喜剧# 和青梅竹马之间不会有恋爱喜剧 ★ 6/10状态: 看过 本季度份的典中典中典标题一眼望到头的神人恋爱故事，算是观感比较不错的一季，在这类番里制作算不错的了。除了典典典典\u0026amp;经典的都这样了还青梅竹马之外，没有过于血压的地方，挺欢乐的。暂且留了个开放结局～\n放送日期:2026年1月5日评价日期:2026-3-24 靠死亡游戏混饭吃。# 靠死亡游戏混饭吃。 ★ 5/10状态: 看过 除ep1看爽了之外，剩下的集数都是在万策尽和即将万策尽之间…出现了剧情跳跃语焉不详等基础性的问题。\n放送日期:2026年1月7日评价日期:2026-3-29 ","date":"2026-04-01","externalUrl":null,"objectId":"post-dab736dc7d3f4bb3c5464481cd80fc8a","permalink":"/anime/anime-review-2026-01/","readingTime":3,"section":"看看番剧","summary":"记录2026年冬季新番个人简评。","tags":["番剧","季度总结","2026年","冬季"],"title":"2026年冬季新番观后简评","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["冬季"],"content":"","date":"2026-04-01","externalUrl":null,"permalink":"/tags/%E5%86%AC%E5%AD%A3/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"冬季","topic":"tags/冬季","topics":["tags/冬季"],"type":"tags"},{"categories":["AI"],"content":"","date":"2026-01-12","externalUrl":null,"permalink":"/tags/ai/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"AI","topic":"tags/ai","topics":["tags/ai"],"type":"tags"},{"categories":["TTS"],"content":"","date":"2026-01-12","externalUrl":null,"permalink":"/tags/tts/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"TTS","topic":"tags/tts","topics":["tags/tts"],"type":"tags"},{"categories":["人工智能随笔"],"content":"VALL-E论文读书笔记# 主要是逐句翻译 每部分结尾记一些笔记感想 第零部分：摘要# 我们提出了一种用于文本到语音合成 (text to speechTTS) 的语言建模方法。具体来说，我们使用从现成的(off-the-shelf)神经音频编解码器模型中提取的离散编码训练了一个神经编解码器语言模型（称之为 VALL-E），并将 TTS 视为一个条件语言建模任务，而不是像以往工作那样进行连续信号回归(continuous signal regression)。在预训练阶段，我们将 TTS 训练数据扩展到 6 万小时的英语语音，比现有系统的数据量大数百倍。VALL-E 展现出上下文学习能力，仅需 3 秒钟的未见过说话人的录音作为声学提示，即可合成高质量的个性化语音。实验结果表明，VALL-E 在语音自然度和说话人相似度方面显著优于目前最先进的零样本 TTS 系统。此外，我们发现 VALL-E 能够在合成过程中保留说话人的情感和声学提示的声学环境。访问 https://aka.ms/valle 查看我们工作的demo。 图1：VALL-E的总览 与之前的流程（例如，音素-\u003e梅尔频谱图-\u003e声音波形）不同，VALL-E的流程是：音素-\u003e离散编码-\u003e声音波形。VALL-E基于音素和声学编码提示生成离散音频编解码器编码，对应目标合成内容和说话人的声音。 VALL-E直接支持各种语音合成应用如零样本TTS、语音编辑和内容创作，还可以与其他生成式人工智能模型（如 GPT-3）结合使用。 第一部分：引入介绍# 通过神经网络和端到端(end-to-end)模型的发展，过去一个阶段中此领域已有抓马的发展，目前级联TTS(文本转语音)系统通常采用梅尔频谱作为中间特征表示，建立包含声学模型和声码器(vocoder)的工作流水线(pipeline)。尽管先进的TTS系统已经可以生成高质量的单说话人/多说话人说话音频了，但它们依赖于录音室级别的高质量纯净录音数据。而从互联网上获取的大规模庞杂的数据不符合这个要求，使用这些数据还会导致输出性能劣化(performance degradation)。并且因为训练数据的规模相对较小，导致当前的TTS系统泛化能力较差：对于零样本(zero-shot)TTS场景，未见过说话人的音色相似度与自然度退步严重。为了解决零样本TTS的问题，有一些现有解决方案如引入说话人适配器和说话人编码模式，通常需要引入额外的微调、复杂的预设特征或臃肿的结构工程。 受文本合成领域的成功的启迪，不同于通过一个复杂的专用网络来解决这个问题，我们得出的终极解决方案是用尽可能大规模的丰富数据来训练模型。近几年来我们见到了文本语言模型随着数据量提升而取得的巨大性能提升：从16GB的原始文本语料到160GB、570GB，最终达到了1TB左右。把他们的成功经验引入语音合成领域，我们得到了VALL-E，第一个基于大规模的多样化的多说话人数据集训练的TTS语言模型。为了实现个性化合成(比如零样本TTS)，VALL-E由三秒钟左右的录音提示(Acoustic Prompt)与文本提示来生成声学标记(Acoustic Tokens)，用于准确的约束(constrain)说话人特征与文本内容信息。最终，生成的声学标记通过神经网络编码器(codec)的解码器被用于构建最终的输出波形。这种基于离散声学标记(discrete acoustic tokens)的方法使我们能把TTS工作视作条件编码语言模型，因此先进的基于提示词的大模型技术可以被迁移到TTS工作上。声学标记还使我们在推理时，能够通过使用不同的采样策略来生成丰富的个性化的TTS结果。 我们使用LibriLight数据集来训练VALL-E，这是一个包含6万小时\u0026amp;7000+说话人的英语音频数据集。原数据集只有音频内容，所以我们部署了一个语音识别模型用于生成语音对应的文本。与此前的TTS模型用到的训练集(如LibriTTS)相比，我们用的的数据包括更多的嘈杂环境下的说话内容与不准确的转述，但同时也包含更丰富的说话人与韵律(prosodies)我们自信我们提出的这个方法对噪音有着更强的鲁棒性(robust)并且在更大规模的数据训练下有着更好的泛化性能。值得注意的是现有的TTS系统总是只用数十小时的单说话人数据或数百小时的多说话人数据训练——训练数据量不及VALL-E的百分之一。下方的表一汇总了VALL-E的创新：语言模型思想在TTS领域的实践，使用语音编码器编码获取跨媒介的特征表示，使用了大规模的多样数据，拥有强大的情景学习(in-context learning)能力 表一 NULL当前模型VALL-E中间表示方式梅尔频谱音频编码目标函数连续信号回归语言模型训练数据少于600小时6万小时情境学习能力❌✅ 我们在LibriSpeech和VCTK数据集上评估了VALL-E模型，提前确保了没有任何测试的说话人数据有泄露到训练数据中。无论是说话人相似度还是说话人自然度，VALL-E的输出表现都是零样本TTS系统的SOTA1。在LibriSpeech上获得了+0.12分的众包意见得分2和+0.93的相似度平均意见得分3的提高。它甚至取得了比真实人声还要高0.04的众包意见得分，这说明了合成的未见过说话人的语音就像是VCTK数据集中的真实人类录音一样自然。更进一步的，质量分析数据显示即使是在文本与目标合成对象不变的情况下，VALL-E也能够合成出多样的输出，这对于语音识别(ASR)任务的训练数据合成而言是一个重大利好。我们也注意到VALL-E能够保持住音频提示中的声学环境(如混响)与情感信息(如愤怒)。 总而言之，我们做出了如下贡献： 我们推出了VALL-E，第一个拥有着GPT-3级别强大的情境学习能力的TTS框架。我们把传统的梅尔频谱中间表示替换为由声学编码器编码，使TTS工作成为了语言模型任务。它具有情境学习能力并且由此实现了基于提示词策略的零样本TTS工作——不需要额外的结构工程设计/微调作为前置工作即可实现的零样本TTS。 我们通过使用大规模的半监督数据，建立了一个在说话人维度上通用的TTS系统，这说明简单的扩展(scaling up)半监督数据在TTS工作中能起到的效果在此前被低估了。 VALL-E能够在保持声学环境与音频提示中的说话人情绪不变的情况下为相同的输入文本生成多样的音频输出。 我们验证了在零样本场景下，VALL-E能合成出高度说话人相似度的自然语音。实验结果显示VALL-E在LibriSpeech和VCTK数据集上的评测结果都是毋庸置疑的SOTA表现 ​\t我们欢迎读者们试听我们在demo页面放出的样例。 碎碎念: 第一部分总-分结构很明确，依次介绍了现有工作的不足、工作的灵感来源\u0026amp;创新实现思路、独一段介绍了有显著改进数据集情况、和此前TTS工作对比、测试效果，最后总结。内部也有递进关系，从过去到现在，从灵感到实现到效果 只是提到了“注意到能保持住音频提示中的声学环境与情感信息”,还是能力涌现而没有给出进一步分析解耦控制这些的尝试 通过设计抛弃了预设定声学特征的解决方案，这对于情绪、音色控制有启示意义。比如或许可以把待合成文本的语义深度特征也融入/接续到声学特征表示，从而实现合成语音的情感的表达更为自然符合语境？ 第二部分：相关工作# 零样本文本到语音合成(Zero-Shot TTS): 当前的TTS模式可以被分类成级联(cascaded)模式与端到端模式。级联TTS系统通常使用一个声学模型和使用梅尔频谱作为中间表示的声码器相结合的流水线。为了克服声码器的缺陷，端对端TTS模型有意识的同时优化声学模型和声码器。在现实场景中，使用仅有的少量录音数据来个性化定制TTS系统的需求十分旺盛。因此,对零样本多说话人TTS技术的兴趣日益旺盛，并且大部分工作是在级联TTS系统的范畴内完成的。作为先驱者，Arik et al.4提出了说话人适配器与说话人编码方法。在说话人适配器方面，如下工作567尝试用更少的目标说话人数据与针对说话人的参数来提升适配器的效率。有的人8把元学习(meta-learning)技术应用在说话人适配器上，实现了仅需5段样本即可建立合成表现不错的系统。与此同时，基于说话人编码的范式近些年来也取得了巨大进步。说话人基于说话人编码的系统包括一个说话人编码器与一个TTS模块，而说话人编码器可以在说话人验证任务中得到预训练。有实验表明，对于域内说话人(in-domain speaker)，这种模型可以做到仅需3秒钟的注册音频即可扩展生成高质量的语音输出。尽管可以使用先进的说话人嵌入模型9来提升未见过说话人合成效果的质量,但据研究10其效果并不尽如人意。还有一种思路是设计先进但复杂的说话人编码器11。基于扩散模型的TTS1213也逐渐涉足零样本TTS领域并取得了优秀的结果。与此前的工作相比，我们大体上依旧是依循级联TTS的思路但是率先使用了音频编码器编码作为中间表示，VALL-E是第一个拥有GPT-3般强上下文学习能力的TTS模型，并且不需要微调、预设特征或复杂的说话人编码器。 口语生成预训练模型(Spoken generative pre-trained models):自监督学习被广泛应用于语音理解领域和语音到语音(speech-to-speech,STS)合成。在STS中，一个热点话题就是如何在无文本设定环境下合成语音。GSLM14提出了基于HuBERT的编码的合成思路，接下来通过把HuBERT编码和VQVAE编码与一个说话人编码器相结合15，进一步提升了表现。AudioLM16使用了相似的思路，但是改用了声音编码器并结合语义编码来合成语音。值得注意的是，不像HifiGAN17等模型需要额外的声码器，AudioLM也能够在不需要额外的声码器的情况下合成语音。AudioLM是STS模型，而VALL-E是TTS模型，后者能够方便地指定控制语音合成的内容。还有一个方向是对神经网络TTS进行预训练。Chung等人的工作18尝试通过自回归预测梅尔频谱来预训练TTS中的说话人解码器。Junyi Ao等人提出了一个统一模态的(Unified-modal)编码器-解码器框架SpeechT519,能够扩大无标签语音与文本用于预训练TTS模型的所有部件。有工作通过使用VQVAE模型，把无标签语音量化成离散标记(discrete tokens)20并使用这些标记到语音的序列(token-to-speech sequence)训练了一个模型。他们指出预训练模型只需要少量真实数据用于微调即可即可。Bai等人21提出了对梅尔频谱的遮罩与重建策略，并且实现了更好的语音编辑与合成表现。先前的TTS预训练工作都只使用了少于一千小时的数据，然而VALL-E使用六万小时的数据进行预训练。除此之外，VALL-E率先使用了语音编码器编码作为中间表示，并且强化了零样本TTS的上下文学习能力。 图2：重新审视神经音频编解码器模型 由于使用了RVQ块，第一个量化层(quantizer)在重建中的作用最大，其余部分的作用逐渐衰减 碎碎念： 这部分是进一步的相关现有工作介绍，综述了零样本TTS和口语生成预训练模型的现有工作情况 感觉内容重复度有点高，能对这方面的内容有个大致的了解，但是对自身工作的还是那几句车轱辘话来回用 第三部分: 语音量化# 音频的原始存储方式是16位整数序列，生成式模型要直接合成原始音频的话,每个时间步都有2^16^=65536种输出可能性。除此之外，以万为单位的极高音频采样率导致即使只是短短几秒语音，所需的序列的时间步也非常多，这导致原始音频合成更具挑战性了。在这种情形下，我们必须引入音频量化来压缩数值范围和序列长度。μ-律变换可以把每一时间步(的65536个值)压缩为256个离散值，同时还能重建出高质量的原始音频。这种变换方法已经被广泛应用于说话人语音生成模型如WaveNet中。但是由于μ-律变换并没有压缩序列长度，其推理速度依旧非常缓慢。近期，出于特征提取的目的，向量量化被广泛应用于自监督学习领域，典例包括vq-wav2vec和HuBERT。接下来的工作证实了自监督模型输出的编码也能用于重建音频内容且推理速度快于用μ-律变换的WaveNet。然而这个路线的生成效果并不理想：说话人身份特征未被保留，重建质量很低。值得注意的是，AudioLM通过同时使用了自监督模型生成的K-means聚类标记和神经编解码模型生成的声学标记训练模型，实现了高质量的STS生成效果。 在本篇论文中，我们模仿AudioLM的思路,采用神经编解码模型来把语音表征为离散标记。为了压缩音频用于网络传输(?),编解码模型能够将音频波形编码为离散声学标记，并在即使说话人未见过的情况下重建高质量的音频波形。与传统的声学编解码模型实现相比，“基于神经网络的编解码器在低音频码率的情况下表现显著更优异，并且我们相信量化后的标记包含有足够的说话人信息与音频录制环境的信息。与其他量化方式相比，这种音频编解码器有如下优势： 包括丰富的说话人信息与声学信息，与HuBERT编码不同，这种编码在重建过程中能保有说话人身份； 有现成的能把离散词元转化为波形的解码器可用，无需像以往基于VQ(Vector Quantization,前文的向量量化)方法那样还要额外费心去训练声码器； VQ-based methods的方法是先提取频谱特征再量化，因此反过来生成还需要声码器 通过下采样显著压缩了时间步序列的长度，解决了μ-律变换的效率问题。 我们采用预训练的声学神经编解码器模型EnCodec作为分词器(tokenizer)。EnCodec是一个卷积编解码模型，输入输出都是24kHz的可变码率音频，我们把24kHz的输入音频转化为75Hz的嵌入表示，达成了320倍压缩。每个嵌入表示都由一个残差向量量化(RVQ,Residual Vector Quantization)进行建模。如上方图2所示，我们使用8层级的量化层，每层量化层包括1024个条目(entry) 。这个配置对应于6K码率的24kHz音频重建。 每个量化层2^10^个条目，即对应10个bits; 一共8个层级，每一步的音频特征就是8×10=808\\times10=80bits; 转化为75Hz的嵌入表示，就是 80 bits/step×75 steps/second=6000 bps=6 kbps80 \\text{ bits/step} \\times 75 \\text{ steps/second} = 6000 \\text{ bps} = \\mathbf{6 \\text{ kbps}} 在这种设置下，假设给定一段10s的音频波形，获得的离散表示是一个750×8750\\times8 的矩阵，750对应10s×\\times75Hz的下采样获得的时间步，8对应量化层的数目,矩阵内每个元素是0~1023的整数。采用其他的码率的设置亦可。更高的采样码率需要更多的量化层，相应的也有更好的重建质量。比如如果使用12K码率的EnCodecc配置，我们就要16个量化层。基于从所有的量化层获得的离散编码，EnCodec的卷积解码器能生成实值嵌入(real-valued embeddings)并以24kHz的频率重建波形 这部分介绍了模型的前置工作的缘由、横向比对情况、选取方案：直接使用原始音频数据量过大不现实，因此需要量化，随后介绍了μ-律变换量化和向量量化的应用\u0026amp;优缺点，最后给出了作者他们采用的模型与一些配置信息 从序列波形到离散空间分布的映射（音素 ↔\\leftrightarrow 离散标记）不好建立，VALL-E把关系建立的“回归”问题视作条件语言建模任务，用LLM的思路来处理对应关系。这对于说话人特征的表征训练有启发意义。另外分层映射也有意思，就像一个分层的筛子，第一层留下的是最大块的固体物，后续次之而且分布应该是第一层信息“最多”后续各层快速衰减，所以用自回归模型(AR)去预测第一层的编码，非自回归模型(NAR)预测剩下的7层。“先定大框架，再填小细节” 采样率降低了 320 倍依然能保留特征，说明真正承载“含义”和“音色”等特征信息的分布是非常稀疏的，大部分是波形的冗余。但是还是存在质量-压缩倍数之间的权衡 第四部分：VALL-E# 4.1 问题概述:把TTS视作条件语言建模任务# 给定数据集D={xi,yi}D= \\{ x_i,y_i\\} ,yy是声音样本而x={x0,x1,…,xL}x = \\{x_0,x_1,…,x_L\\}是其对应的文本音素序列(corresponding phoneme transcription)。我们使用一个预训练的神经编解码模型，把每个声音样本编码成离散的声学编码,表示为编码(y)=CT×8(y)= C^{T\\times8}。CC表示二维声学编码矩阵，TT是下采样得到的的声音序列长度。在这个矩阵中，行向量ct,()c_{t,()}表示第t帧/时间步的8个量化层的编码值；列向量c(),jc_{(),j}表示由第jj个量化层对应的码表中的编码组成的序列。在这个量化过程结束后，神经编解码器的解码器能够重建(有损)波形，表示为Decodec(C)≈y^Decodec(C)\\approx\\hat{y}。 零样本TTS需要模型能够合成高质量的未见过说话人的语音。在这篇工作中，我们把零样本TTS视作一个条件编解码语言建模任务。我们训练一个神经语言模型，基于一段音素序列xx(对应要合成的文本内容)和一个声学prompt矩阵C~T′×8\\widetilde{C}^{T^{\u0026#x27;}\\times8}来合成声学编码矩阵CC。而我们的优化任务目标就是要最大化概率p(C∣x,C~)p(C|x,\\widetilde{C})，即已知声学prompt矩阵和音素序列合成某种特定的声音编码矩阵CC的可能性。这里的C~\\widetilde{C}是一段注册音频输入相同的神经编解码器而获得的。我们预期神经语言模型能学到如何从音素序列和声学提示中提取到内容信息和说话人信息。从而在推理生成输出时，提供一段音素序列和一段3s时长的未见过说话人的注册音频，训练过的语言模型就能“估计”出具有需要合成内容以及说话人音色的声学编码矩阵。然后神经编解码器的解码器部分就能合成出高质量的说话人语言。 4.2 训练：条件编解码语言建模# 神经编解码模型让我们能够操作离散的声学表示。由于神经编解码模型中的残差量化过程特性，这些声学标记带有层次结构特征：由靠前的量化层产生的标记包含声学特征如说话人信息，后续的量化层包含声学细节信息。每一个量化层都是被训练于用来建模此前的量化层的残差信息。受此启发，我们设计了两种层级化的条件语言模型。 p(c:,1∣x,C~:,1;θAR)=∏t=0Tp(ct,1∣c\u0026lt;t,1,c~:,1,x;θAR) p(c_{:,1}|x,\\tilde{C}_{:,1};\\theta_{AR}) = \\prod_{t=0}^{T}p(c_{t,1}|c_{\u0026lt;t,1},\\tilde{c}_{:,1},x;\\theta_{AR}) 由于VALL-E是一个decoder-only的语言模型，c~:,1\\tilde{c}_{:,1} (声学提示)与 c:,1c_{:,1}(生成内容) 是拼接构成一个完整的序列，我们在训练中并不去区分它们/插入特定的标记。在推理阶段，模型仅预测 c:,1c_{:,1}，前缀 c~:,1\\tilde{c}_{:,1} 作为已知条件给出。 对于产生自第二到第八个量化层的离散标记 c:,j∈[2,8]c_{:, j \\in [2,8]}，我们训练了一个非自回归语言模型。由于在 NAR 模式下标记之间无法相互访问（不具备顺序关系），为了约束说话人身份，我们使用了完整的声学提示矩阵 C~\\tilde{C} 作为声学提示。因此，该模型以音素序列 xx、声学提示 C~\\tilde{C} 以及属于先前码本的已预测声学标记 C:,\u0026lt;jC_{:, \u0026lt;j} 为条件，其公式如下 ： p(C:,2:8∣x,C~;θNAR)=∏j=28p(c:,j∣C:,\u0026lt;j,x,C~;θNAR) p(C_{:,2:8}|x,\\tilde{C};\\theta_{NAR}) = \\prod_{j=2}^{8}p(c_{:,j}|C_{:,\u0026lt;j},x,\\tilde{C};\\theta_{NAR}) p(C∣x,C~;θ)=p(c:,1∣C~:,1,X;θAR)∏j=28p(c:,j∣c:,\u0026lt;j,x,C~;θNAR) p(C|x,\\tilde{C};\\theta)=p(c_{:,1}|\\tilde{C}_{:,1},X;\\theta_{AR})\\prod_{j=2}^{8}p(c_{:,j}|c_{:,\u0026lt;j},x,\\tilde{C};\\theta_{NAR}) 4.2.1 自回归编解码器语言建模# 自回归语言模型负责生成来自第一个量化层的标记。它由音素嵌入层 WxW_x、声学嵌入层 WaW_a、Transformer 解码器以及一个预测层组成。为了生成具有特定内容的语音，我们将音素序列用作该语言模型的音素prompt。因此，模型的输入是拼接 xx 和 c:,1c_{:,1} 而来的，且在它们各自的末尾都附加了一个特殊的 \u0026lt;EOS\u0026gt; 标记。我们分别为提示标记和输入标记计算正弦位置嵌入。对于该因果（causal）Transformer 模型，每个标记 ct,1c_{t,1} 都可以关注到(x,c\u0026lt;t,1x, c_{\u0026lt;t,1})（它左侧的），如图三所示。模型的优化目标是最大化第一个码本中下一个标记出现的概率。我们将输出投影层(output projection layer)的参数与声学嵌入层 WaW_a 的参数共享。 在自回归模型中，我们在训练期间并不显式地提取一段音频剪辑作为提示。其训练过程是纯粹的因果语言模型训练。通过这种方式，任何前缀序列 c\u0026lt;t,1c_{\u0026lt;t,1} 都被视为序列后半部分 c≥t,1c_{\\ge t,1} 的提示。在推理阶段，给定一段注册音频（Enrolled Recording）时，我们应当将注册音频的音素序列与待合成文本的音素序列拼接在一起 。同时，注册音频的声学标记序列将被用作自回归解码的前缀，如4.2中的第一个公式所定义。我们将在实验中研究这一设置的优越性。 4.2.2 非自回归编码器建模# 当我们通过自回归模型获得第一层量化器编码后，我们采用非自回归模型来生成其他七个量化器的编码。除了包含八个独立的声学嵌入层外，非自回归模型的架构与自回归模型相似。在每个训练步骤中，我们随机采样一个训练阶段 i∈[2,8]i \\in [2, 8] 。模型的训练目标是最大化来自第 ii 个量化器码本的声学标记预测概率。第 1 阶段到第 i−1i-1 阶段的声学标记会被嵌入并累加，作为模型的输入: ect,j=Waj⊙ct,j e_{c_{t,j}} = W_{a}^{j} \\odot c_{t,j} ect=∑j=1i−1ect,j e_{c_t} = \\sum_{j=1}^{i-1} e_{c_{t,j}} 其中 ⊙\\odot 表示索引选择操作。需要注意的是音素序列同样被作为该语言模型的提示。此外，为了克隆特定说话人的独特音色，我们还使用注册语音的声学标记作为声学提示。具体而言，我们首先使用神经编解码器模型将注册语音转化为声学标记矩阵 C~T×8\\tilde{C}^{T \\times 8} 。所有八个码本的嵌入表示被累加在一起，作为声学提示 ec~t=∑j=18ec~t,je_{\\tilde{c}_t} = \\sum_{j=1}^{8} e_{\\tilde{c}_{t,j}} 。为了预测第 ii 个码本的声学标记，Transformer 的输入是 (ex,ec~,ec:,\u0026lt;i)(e_x, e_{\\tilde{c}}, e_{c_{:, \u0026lt;i}}) 的拼接。我们同样分别为提示和声学序列独立计算位置嵌入。当前阶段 ii 通过自适应层归一化注入到网络中，即 AdaLN(h,i)AdaLN(h, i) = aiLayerNorm(h)a_i LayerNorm(h) + bib_i，其中 hh 是中间激活值，aia_i 和 bib_i 通过对阶段嵌入进行线性投影获得 。 与自回归模型不同，非自回归模型允许每个标记在自注意力层中关注到所有的输入标记。我们还共享了声学嵌入层和输出预测层的参数，这意味着第 jj 个预测层的权重与第 j+1j+1 个声学嵌入层的权重相同。 图3：条件编解码语言建模的结构 以分层方式构建。实际上，NAR解码器会被调用七次，以在七个量化器中生成代码。 4.3 推理：通过提示实现的上下文学习# 上下文学习能力是基于文本的语言模型所拥有的一种相当惊艳的能力。它使得我们能够在不对参数进行额外更新的情况下预测未见过输入的“标签”。对于TTS而言，如果模型能够在不微调本身的情况下合成高质量的未见过说话人的语音，那这个模型就被认定为是具备了上下文学习能力。然而目前现有的TTS系统的上下文学习能力都很一般，它们不进行额外的微调的话，合成未见说话人的性能就会明显降低。 对于语言模型而言，提示是零样本场景下实现上下文学习能力的必要条件。我们设计的提示与推理过程如下所示：首先将待合成文本转化为音素序列，将注册音频编码为声学提示矩阵，二者分别作为音素提示和声学提示。这两种提示都会被同时用于AR/NAR模型。对于AR模型而言，因为我们观察到束搜索(beam search)可能会导致语言模型陷入无限循环，所以我们使用以提示为条件的基于采样的解码。更进一步的，采样步骤能够显著提高输出的多样性。对于NAR模型，我们使用贪婪解码(greedy decoding)来选择概率最高的标记。最后，我们基于这八层编码序列，使用神经编解码器的解码器部分来生成声音波形。声学提示和待合成语音在语义上可能有关也可能无关(?),这就有了以下两种情况： VALL-E ：我们的主要目的是为未见过的说话人生成指定的音频内容。给定模型一段文本句子、一段注册音频及这段音频对应的转写文本。我们将注册语音的转写文本得到的转写音素拼接到给定句子的音素序列之前作为声学提示。然后用注册语音的第一层声学标记 c~:,1\\tilde{c}_{:,1}作为声学前缀。依靠音素提示和升学前缀，VALL-E能够生成给定文本的声学标记，进而得到了该说话人的声音克隆。 VALL-E-continual：在这种设置下，我们分别使用完整的转写文本和话语的前3秒作为音素提示和声学提示，并要求模型生成后续部分。推理过程与 VALL-E 设置相同，不同之处在于注册语音与生成的语音在文本语义上是连续的。 第四部分详细描述了VALL-E的模型架构设计思路，读完之后能切实体会到“把语音合成建模为一种条件语言建模任务“”这句话是怎么被体现出来的。模型结构比我想象的要简单，但AR和NAR的结合使用很精妙而且具有说服力。 语言模型陷入无限循环(looping)我在此前进行过的图片描述生成任务中尝试自行构建transformer模型时也遇到过，并且最终也未能解决。““在对第t个token做概率预测时，实际上是根据前面t-1个词做最大后验估计的，对于那些重复生成的文本 (这里以ABCDE -\u0026gt; HJIKLLLLLLLLLL\u0026hellip;为例)，当第一个L生成后，后面位置上L对应索引的softmax值依然是最大的……模型会倾向于从前面已经预测的word里面挑选最匹配的词……这是模型对于该任务找到的一个“捷径”。” 对于我的基于文本的零样本语音合成任务，如果是应用于类似VALL-E结构的模型的话，其适配器的目标就非常明确了：将 RoBERTa 提取的文本特征映射到与 c~:,1\\tilde{c}_{:,1}（第一层声学 Token）等价的语义空间中，从而用“文本提示”取代“声学提示”，并且训练目的不是还原说话人声音特征而是表征文本提示中的特征。用公式对比的话就是 VALL-E 的 pp：p(C∣x,Acoustic Prompt)p(C | x, \\text{Acoustic Prompt}) 我的工作的 pp：p(C∣x,Text Description)p(C | x, \\text{Text Description}) 我提取的文本语义嵌入 ，需要能够提供和3秒音频相比相同甚至更丰富的约束信息，从而\u0026quot;指引\u0026quot;概率函数 pp 指向正确的声学空间区域。 值得注意的是，这里的NAR模型需要完整的8层信息作为输入来约束说话人身份，那我要做的适配器也需要有足够的“表现力”才能指导模型生成符合描述的细节特征。 参考 VALL-E 的逻辑，前序量化器负责身份，后续量化器负责细节 。虽然不是明确的表明，但这也部分实现了“特征解耦”的效果。或许我可以尝试在适配器设计中将“音色描述”映射到前几层，而将“环境描述”“情绪描述”等映射到后几层的引导中。 引用# (state-of-the-art,某领域内表现最好的模型)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Comparision Mean Option Score,CMOS,主观评分。测试人员每次听两个音频，并使用一个测试中的分数来评估后者与前者相比的感觉，+为更好-为更差，范围为[−3，3])\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Similarity Mean Option Score,SMOS,主观评分。听众根据“这两段声音听起来是否像同一个人”进行打分)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Sercan Ömer Arik, Jitong Chen, Kainan Peng, Wei Ping, and Yanqi Zhou. Neural voice cloning with a few samples. In NeurIPS, pages 10040–10050, 2018.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Yutian Chen, Yannis M. Assael, Brendan Shillingford, David Budden, Scott E. Reed, Heiga Zen,Quan Wang, Luis C. Cobo, Andrew Trask, Ben Laurie, Çaglar Gülçehre, Aäron van den Oord,Oriol Vinyals, and Nando de Freitas. Sample efficient adaptive text-to-speech. In ICLR , 2019)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Tao Wang, Jianhua Tao, Ruibo Fu, Jiangyan Yi, Zhengqi Wen, and Rongxiu Zhong. Spoken content and voice factorization for few-shot speaker adaptation. In Interspeech, pages 796–800. ISCA,2020.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Mingjian Chen, Xu Tan, Bohan Li, Yanqing Liu, Tao Qin, Sheng Zhao, and Tie-Yan Liu. Adaspeech:Adaptive text to speech for custom voice. In ICLR, 2021.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Sung-Feng Huang, Chyi-Jiunn Lin, Da-Rong Liu, Yi-Chen Chen, and Hung-yi Lee. Meta-tts: Metalearningfor few-shot speaker adaptive text-to-speech. IEEE ACM Trans. Audio Speech Lang.Process., 30:1558–1571, 2022.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Weicheng Cai, Jinkun Chen, and Ming Li. Exploring the encoding layer and loss function in end-to-end speaker and language recognition system. In Odyssey 2018: The Speaker and Language Recognition Workshop, 26-29 June 2018, Les Sables d’Olonne, France, pages 74–81. ISCA, 2018.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Xu Tan, Tao Qin, Frank K. Soong, and Tie-Yan Liu. A survey on neural speech synthesis. CoRR,abs/2106.15561, 2021.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Yihan Wu, Xu Tan, Bohan Li, Lei He, Sheng Zhao, Ruihua Song, Tao Qin, and Tie-Yan Liu.Adaspeech 4: Adaptive text to speech in zero-shot scenarios. In Interspeech 2022, 23rd Annual Conference of the International Speech Communication Association, Incheon, Korea, 18-22 September 2022, pages 2568–2572. ISCA, 2022. doi: 10.21437/Interspeech.2022-901.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Vadim Popov, Ivan Vovk, Vladimir Gogoryan, Tasnima Sadekova, and Mikhail A. Kudinov. Grad-tts:A diffusion probabilistic model for text-to-speech. In Marina Meila and Tong Zhang, editors,Proceedings of the 38th International Conference on Machine Learning, ICML 2021, 18-24 July 2021, Virtual Event, volume 139 of Proceedings of Machine Learning Research, pages 8599–8608.PMLR, 2021. URL http://proceedings.mlr.press/v139/popov21a.html.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Heeseung Kim, Sungwon Kim, and Sungroh Yoon. Guided-tts: A diffusion model for text-to-speech via classifier guidance. In Kamalika Chaudhuri, Stefanie Jegelka, Le Song, Csaba Szepesvári, Gang Niu, and Sivan Sabato, editors, International Conference on Machine Learning, ICML 2022, 17-23 July 2022, Baltimore, Maryland, USA, volume 162 of Proceedings of Machine Learning Research, pages 11119–11133. PMLR, 2022.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Kushal Lakhotia, Evgeny Kharitonov, Wei-Ning Hsu, Yossi Adi, Adam Polyak, Benjamin Bolte,Tu Anh Nguyen, Jade Copet, Alexei Baevski, Adelrahman Mohamed, and Emmanuel Dupoux.Generative spoken language modeling from raw audio. CoRR, abs/2102.01192, 2021.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Adam Polyak, Yossi Adi, Jade Copet, Eugene Kharitonov, Kushal Lakhotia, Wei-Ning Hsu, Abdelrahman Mohamed, and Emmanuel Dupoux. Speech resynthesis from discrete disentangled self-supervised representations. In Interspeech, pages 3615–3619. ISCA, 2021.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Zalán Borsos, Raphaël Marinier, Damien Vincent, Eugene Kharitonov, Olivier Pietquin, MatthewSharifi, Olivier Teboul, David Grangier, Marco Tagliasacchi, and Neil Zeghidour. Audiolm: a language modeling approach to audio generation. CoRR, abs/2209.03143, 2022.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Jungil Kong, Jaehyeon Kim, and Jaekyoung Bae. Hifi-gan: Generative adversarial networks for efficient and high fidelity speech synthesis. In NeurIPS, 2020.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Yu-An Chung, Yuxuan Wang, Wei-Ning Hsu, Yu Zhang, and R. J. Skerry-Ryan. Semi-supervised training for improving data efficiency in end-to-end speech synthesis. In ICASSP, pages 6940–6944. IEEE, 2018.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Junyi Ao, Rui Wang, Long Zhou, Chengyi Wang, Shuo Ren, Yu Wu, Shujie Liu, Tom Ko, Qing Li, Yu Zhang, et al. Speecht5: Unified-modal encoder-decoder pre-training for spoken language processing. In Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), pages 5723–5738, 2022.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (Aäron van den Oord, Oriol Vinyals, and Koray Kavukcuoglu. Neural discrete representation learning.In Advances in Neural Information Processing Systems 30: Annual Conference on Neural Information Processing Systems 2017, December 4-9, 2017, Long Beach, CA, USA, pages 6306–6315,2017.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; (He Bai, Renjie Zheng, Junkun Chen, Mingbo Ma, Xintong Li, and Liang Huang. A^3^t: Alignment-aware acoustic and text pretraining for speech synthesis and editing. In International Conference on Machine Learning, ICML 2022, 17-23 July 2022, Baltimore, Maryland, USA, volume 162 of Proceedings of Machine Learning Research, pages 1399–1411. PMLR, 2022.)\u0026#160;\u0026#x21a9;\u0026#xfe0e; ","date":"2026-01-12","externalUrl":null,"objectId":"post-53a925e2fef08cf864c9d89a1ffcd252","permalink":"/article/ai/note-valle/","readingTime":24,"section":"技术相关","summary":"记录阅读的过程与感想","tags":["AI","论文","语音","TTS","读书笔记"],"title":"VALL-E论文阅读笔记","topic":"article/ai","topics":["article/ai"],"type":"article"},{"categories":["人工智能随笔"],"content":"# 读论文笔记 idea记录 etc…… ","date":"2026-01-12","externalUrl":null,"permalink":"/article/ai/","readingTime":1,"section":"技术相关","summary":"笔记、思考","tags":[],"title":"人工智能随笔","topic":"article/ai","topics":["article/ai"],"type":"article"},{"categories":["技术相关"],"content":"# root\u0026amp;模块总结 windows/Android/Linux界面美化方案 数据迁移 仅供学习目的の一些工具…… ","date":"2026-01-12","externalUrl":null,"permalink":"/article/","readingTime":1,"section":"技术相关","summary":"主要是IT相关应用的整理总结","tags":[],"title":"技术相关","topic":"article","topics":["article"],"type":"article"},{"categories":["毕设读论文"],"content":"","date":"2026-01-12","externalUrl":null,"permalink":"/series/%E6%AF%95%E8%AE%BE%E8%AF%BB%E8%AE%BA%E6%96%87/","readingTime":0,"section":"电视剧集","summary":"","tags":[],"title":"毕设读论文","topic":"series/毕设读论文","topics":["series/毕设读论文"],"type":"series"},{"categories":["论文"],"content":"","date":"2026-01-12","externalUrl":null,"permalink":"/tags/%E8%AE%BA%E6%96%87/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"论文","topic":"tags/论文","topics":["tags/论文"],"type":"tags"},{"categories":["语音"],"content":"","date":"2026-01-12","externalUrl":null,"permalink":"/tags/%E8%AF%AD%E9%9F%B3/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"语音","topic":"tags/语音","topics":["tags/语音"],"type":"tags"},{"categories":["读书笔记"],"content":"","date":"2026-01-12","externalUrl":null,"permalink":"/tags/%E8%AF%BB%E4%B9%A6%E7%AC%94%E8%AE%B0/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"读书笔记","topic":"tags/读书笔记","topics":["tags/读书笔记"],"type":"tags"},{"categories":["2025年"],"content":"","date":"2026-01-02","externalUrl":null,"permalink":"/tags/2025%E5%B9%B4/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"2025年","topic":"tags/2025年","topics":["tags/2025年"],"type":"tags"},{"categories":["看看番剧"],"content":"番很多但是大部分都不太爱看……看旧番看爽了，而且多次线下大观影看爽了 简单总结# 秋季新番# 本季度收录作品共看完 6 部，弃番 1 部，搁置 0 部。 回顾旧番# 回顾旧番共 18 部： 化物语 : 9/10 出包王女Darkness 第二季 : 7/10 出包王女Darkness : 8/10 更多 出包王女 : 7/10 出包王女 OVA : 7/10 出包王女 : 6/10 如果有妹妹就好了。 : 6/10 山田君与7个魔女 : 6/10 米奇与达利 : 7/10 银魂 : 8/10 妄想学生会 : 7/10 新・福音战士剧场版：终 : 9/10 魔女与使魔 : 7/10 福音战士新剧场版：Q : 7/10 福音战士新剧场版：破 : 9/10 只要可爱即使是变态你也会喜欢我吧？ : 5/10 命运石之门 : 10/10 新世纪福音战士 : 9/10 秋季新番与影院观影详评# 辉夜大小姐想让我告白 通往大人的阶梯# 辉夜大小姐想让我告白 通往大人的阶梯 ★ 8/10状态: 看过 第一集音声效果有趣，上垒了甜甜甜甜\n熟悉的制作精良的好看的生草的…以及令人怀念的QwQ\n放送日期:2025年12月31日评价日期:2025-12-31 剧场版 链锯人 蕾塞篇# 剧场版 链锯人 蕾塞篇 ★ 8/10状态: 看过 音乐 9 节奏把握 9\n氛围 8.5\n作画 8.5\n人物塑造 8.5 剧情 7.5\n综合 8.5，神作。我的心已被蕾塞夺走，今生或许再无悲喜。剧情/画面都极具张力\n放送日期:2025年9月19日评价日期:2025-12-9 佐贺偶像是传奇 梦想银河乐园# 佐贺偶像是传奇 梦想银河乐园 ★ 8/10状态: 看过 saga！\n放送日期:2025年10月24日补标记日期:2026-10-11 剧场版 鬼灭之刃 无限城篇 第一章 猗窝座再袭# 剧场版 鬼灭之刃 无限城篇 第一章 猗窝座再袭 ★ 7/10状态: 看过 画面不赖。日本哪吒\n放送日期:2025年7月18日评价日期:2025-11-16 间谍过家家 第三季# 间谍过家家 第三季 ★ 6/10状态: 看过 评分6+，平平淡淡的一季。黄昏篇不错，校车抢劫部分不太行。\n放送日期:2025年10月4日评价日期:2025-12-31 朋友的妹妹只喜欢烦我# 朋友的妹妹只喜欢烦我 ★ 6/10状态: 看过 完结评分6.4，算是比较好看的神人恋爱番，剧情非常非常的公式化。最后一集的话剧迫害真白太美味了！看得我半夜在床上扭起来了\u0026gt;ω\u0026lt;如果不是女主不定期犯贱哈气的底层代码逻辑太恶了，我会给给7分\n放送日期:2025年10月4日评价日期:2025-12-23 弹珠汽水瓶里的千岁同学# 弹珠汽水瓶里的千岁同学 ★ 4/10状态: 弃番 人设剧情大雷点，feel社灰蒙蒙的画风也接受不能。这不是现充这是唐氏。\n另外三四卷没那么神。。。更何况原著党们现在把三四卷架得太高了\n放送日期:2025年10月7日评价日期:2025-10-12 ","date":"2026-01-02","externalUrl":null,"objectId":"post-2eec8c150ca7823442e01363187ec391","permalink":"/anime/anime-review-2025-10/","readingTime":3,"section":"看看番剧","summary":"记录2025年秋季新番个人简评。","tags":["番剧","季度总结","2025年","秋季"],"title":"2025年秋季新番观后简评","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["秋季"],"content":"","date":"2026-01-02","externalUrl":null,"permalink":"/tags/%E7%A7%8B%E5%AD%A3/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"秋季","topic":"tags/秋季","topics":["tags/秋季"],"type":"tags"},{"categories":["看看番剧"],"content":"续作集结的一个季度，有更衣人偶这种作画惊艳厨力拉满但我不喜欢的作品，整体比较平庸，续作也没有高走的。 简单总结# 夏季新番# 本季度新番共看完 10 部，弃番 2 部，搁置 3 部。 回顾旧番# 回顾旧番共 7 部： 异种族风俗娘评鉴指南 (2020年1月11日) : 7/10 Front Innocent (2005年3月10日) : 8/10 迷茫管家与懦弱的我 (2011年7月7日) : 6/10 MEGALO BOX (2018年4月5日) : 7/10 胆大党 (2024年10月3日) : 8/10 碧蓝之海 (2018年7月13日) : 8/10 佐贺偶像是传奇 复仇 (2021年4月8日) : 9/10 夏季新番详评# 光死去的夏天# 光死去的夏天 ★ 8/10状态: 看过 竹下个人风格明显。氛围、人物塑造、画面/音效表现/画风等等都优秀，有很多印象深刻的镜头。剧情算是披着悬疑外衣的人外bl吧…个人不喜欢这个，但确实主角间的拉扯与配角的刻画都很成功。问题是节奏有点拖沓而结尾偏草率，可能是因为一开始规划的就不止一季？评分7.4，平衡一下向上取整吧\n放送日期:2025年7月5日评价日期:2025-9-28 碧蓝之海 第二季# 碧蓝之海 第二季 ★ 8/10状态: 看过 爽看！！穷归穷，还是非常精彩，虽然逊色于第一季。。有提前泄露这种严重的幺蛾子导致追番体验不佳，但依旧是周指活级别的\n放送日期:2025年7月7日评价日期:2025-9-27 青春笨蛋少年不做圣诞服女郎的梦# 青春笨蛋少年不做圣诞服女郎的梦 ★ 7/10状态: 看过 青猪就应该是这个味道口牙。虽然脸盲看到中后期才认全角色…作画高出我预期，但无奈和cw三开的隔壁两部一比对就显得格外寒碜。开头过于平淡容易劝退，但看得很舒适而且是一个完整的故事。评分7.5\n放送日期:2025年7月5日评价日期:2025-9-28 新 吊带袜天使# 新 吊带袜天使 ★ 7/10状态: 看过 评分7.6。和第一季一样，不是很对得上电波，而且整体逊色于上一部，也可能是现在的阈值变高了。作画/音乐依旧很劲\n放送日期:2025年7月9日评价日期:2025-9-27 胆大党 第二季# 胆大党 第二季 ★ 7/10状态: 看过 战斗爽，音乐爽，作画爽。别的没啥好说的\n放送日期:2025年7月3日评价日期:2025-9-22 和雨和你# 和雨和你 ★ 7/10状态: 搁置 治愈舒缓的一部番，oped手绘低饱和色调颜色都很戳我。第一集信息量略少。目前没有这个心境了，未来有缘再看吧\n放送日期:2025年7月5日评价日期:2025-7-8 小城日常# 小城日常 ★ 7/10状态: 搁置 小城的电波有点对不上，虽然是日常但也有点无聊…作画确实是极好的\n放送日期:2025年7月6日评价日期:2025-7-8 Silent Witch 沉默魔女的秘密# Silent Witch 沉默魔女的秘密 ★ 6/10状态: 看过 女主可爱且看得出成长，贡献了大量表情包。偏大女主向的剧情，男性角色偏油算是雷点，剧情上几个矛盾冲突的释放都处理的不错，op不错但和正片有点割裂。。整体鉴定为低配波奇版芙莉莲\n放送日期:2025年7月4日评价日期:2025-10-5 气绝勇者与暗杀公主# 气绝勇者与暗杀公主 ★ 6/10状态: 看过 戈雅形象塑造格外成功，其余部分比较平庸，算是有点新意的勇者故事，评分5.7\n放送日期:2025年7月12日评价日期:2025-9-28 拔作岛# 拔作岛 ★ 6/10状态: 看过 高开低走，看得出来制作组是很想浓缩合并原作的内容的，但篇幅实在有限并不成功，后期剧情跳跃严重到了明显缺陷的程度。虽然在gal改里这已经算是不错的了，评分6.3\n放送日期:2025年7月18日评价日期:2025-9-28 我们不可能成为恋人！绝对不行。 (※似乎可行？)# 我们不可能成为恋人！绝对不行。 (※似乎可行？) ★ 6/10状态: 搁置 不错，本季度神人番\n放送日期:2025年7月7日评价日期:2025-7-28 人妻之唇烧酒之味# 人妻之唇烧酒之味 ★ 5/10状态: 看过 泡面番，能动就行（\n放送日期:2025年7月1日评价日期:2025-9-27 肥宅勇者# 肥宅勇者 ★ 5/10状态: 看过 ed好听，剧情平庸但没有大雷点，诬告这个引子紧跟时事倒是挺有乐子的。算是平均水平以上的异世界番了吧\n放送日期:2025年7月6日评价日期:2025-9-22 活死喵之夜# 活死喵之夜 ★ 4/10状态: 弃番 喵化危机hhh，挺有意思的//猫之外的部分就很无聊…制作也快撑不住了\n放送日期:2025年7月7日评价日期:2025-9-27 费马的料理# 费马的料理 ★ 未评分状态: 弃番 暂无短评。。。。\n放送日期:2025年7月5日评价日期:2025-7-6 回顾旧番记录# 佐贺偶像是传奇 复仇 (2021年4月8日) : 9/10 (看过) Front Innocent (2005年3月10日) : 8/10 (看过) 胆大党 (2024年10月3日) : 8/10 (看过) 碧蓝之海 (2018年7月13日) : 8/10 (看过) 异种族风俗娘评鉴指南 (2020年1月11日) : 7/10 (看过) MEGALO BOX (2018年4月5日) : 7/10 (看过) 迷茫管家与懦弱的我 (2011年7月7日) : 6/10 (看过) ","date":"2025-10-05","externalUrl":null,"objectId":"post-0619895b9b24eac6bd1c0e1e91b580a3","permalink":"/anime/anime-review-2025-07/","readingTime":4,"section":"看看番剧","summary":"记录2025年夏季新番个人简评。","tags":["番剧","季度总结","2025年","夏季"],"title":"2025年夏季新番观后简评","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["FLAG"],"content":"","date":"2025-07-24","externalUrl":null,"permalink":"/tags/flag/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"FLAG","topic":"tags/flag","topics":["tags/flag"],"type":"tags"},{"categories":["个人项目"],"content":"","date":"2025-07-24","externalUrl":null,"permalink":"/tags/%E4%B8%AA%E4%BA%BA%E9%A1%B9%E7%9B%AE/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"个人项目","topic":"tags/个人项目","topics":["tags/个人项目"],"type":"tags"},{"categories":["待办列表"],"content":"","date":"2025-07-24","externalUrl":null,"permalink":"/tags/%E5%BE%85%E5%8A%9E%E5%88%97%E8%A1%A8/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"待办列表","topic":"tags/待办列表","topics":["tags/待办列表"],"type":"tags"},{"categories":["随笔"],"content":"TODO# 斗鱼个性化屏蔽插件 实现 少样本音乐克隆总结(demucs+GPT_SoVits+So-Vits-SVC) 未来有可能的话，从模型结构的层次融合后两个项目，实现真正的少样本克隆而不是当前的扩充数据集trick 飞桨新闻标题分类的三个方案总结(Roberta+直推学习+二分类+多分类+加权评分的综合方案/弃用のQwen3 0.6B微调) ❌ 完善字幕生成脚本/封装成CLI工具 (demucs+silero VAD+whisper+ DeepSeek API) 有更好的方案了……放弃自己搓的这坨 星推荐PRO插件 介绍 有机会再优化优化🫣 ani季评初始自动化脚本介绍(Bangumi API) 《抓火车》《空房子》《驴得水》细评 山西旅游游记 ","date":"2025-07-24","externalUrl":null,"objectId":"post-b481202e95689b3cfc2c94acf73ddb9b","permalink":"/note/flag/","readingTime":1,"section":"随笔","summary":"没写的和没写完做到自己满意的项目列表","tags":["个人项目","待办列表","FLAG"],"title":"待办列表·FLAG","topic":"note","topics":["note"],"type":"note"},{"categories":["看看番剧"],"content":"简单总结# 新番# 本季度新番还是惊喜不少的，虽然由于个人不怎么看萌豚向的作品，导致没看好几部风评颇佳的作品…… 就新番而言，看完了7部，弃番了4部，搁置了2部，还有一部半年番在看。 回顾旧番# 旧番也补了不少 佐贺偶像是传奇 : 8/10 佐贺偶像是传奇 第二季 : 9/10 胆大党 第一季 : 8/10 碧蓝之海 : 8/10 吊带袜天使 : 7/10 恶魔高校 D×D HERO : 5/10 楽園侵触 Island of the dead : 7/10 具体简评# 末日后酒店# 末日后酒店 ★ 9/10状态: 看过 今年目前最佳，OP的手绘舞蹈就惊艳到我了，aiko的skirt怪异上头也好听🥰。\n第二集看完了就开香槟了🤗也算是原始股。看着声誉渐隆有一种孩子长大的喜悦，虽然最后还是叫好不破圈\u0026非中文圈路边一条QwQ\n画风舒适、画面稳定:角色可爱的小动作,精彩的打斗/机战场景的意外之喜，ep11几乎全靠场景撑起来的优秀表现力 剧情精彩：村越繁确是原创领域大神，集集无法预测，追番体验绝佳。情绪流被导演充分拿捏(特别是ep9)，ep10的袖珍多线也很见功力 这部番是小六边形战士，可作为我的9分标杆\n放送日期:2025年4月8日终评日期:2025-6-25 赛马娘 芦毛灰姑娘# 赛马娘 芦毛灰姑娘 ★ 8/10状态: 看过 tama又飒又可爱(๑•.•๑)\n中规中矩的改编，不过确实挺适合我这种没看过赛马娘前几部\u0026没玩过「优俊少女」的人。\n人物形象很立体但感觉代入感还是差了点\n放送日期:2025年4月6日终评日期:2025-7-1 忍者与杀手二人组的日常生活# 忍者与杀手二人组的日常生活 ★ 7/10状态: 看过 评分 7.4 制作组很用心\nOP/ED好看，花泽香菜的片头曲不错\nep5机器子个人单集精彩。角色有在明显随剧情发展而成长。\n前中期对我而言还是太地狱了，后期观感提升，抛开米线问题挺好看的\n放送日期:2025年4月10日终评日期:2025-6-28 九龙大众浪漫# 九龙大众浪漫 ★ 6/10状态: 看过 评分 6.4 OP的风格和音乐都很有感觉\n氛围感营造很成功，剧本底子不错，人物形象塑造相当成功\n剧情节奏很烂，听说内容太多要一集一卷。中间的集数都是一成不变的日常，只在结尾大的要来のed曲时留悬念，追番体验不佳。着力描写日常没问题，但主线改编没有很好的融入日常，而只是集集结尾生硬的推进，就很糟糕\n副线远比主线完整成功但个人不喜欢男同😩\n放送日期:2025年4月5日终评日期:2025-7-1 直至魔女消逝# 直至魔女消逝 ★ 6/10状态: 看过 评分 6.0\nop歌还行\n故事还是有亮点的，但改编很平庸，作画相对贫穷表现力不足，直到完结情感都代入不进去\n印象最深刻的是ep3里Hの魔女(误)的玉足😋😋😋\n一年一千滴眼泪这个设定食之无味，直到最后都很鸡肋，桎梏了剧情的可能性。\n放送日期:2025年4月1日终评日期:2025-6-19 夏日口袋# 夏日口袋 ★ 6/10状态: 搁置 评分 6.8 作画及格,情绪感染力很强,还是有夏日感和青春感的\n推游戏开了自动挡即视感…分镜\u0026场景切换\u0026音乐等都生搬硬套游戏似的。\n没玩过原作没情怀加成…暂时没啥吸引我的地方，搁置等以后推原作时再看\n放送日期:2025年4月7日终评日期:2025-6-19 摇滚乃是淑女的爱好# 摇滚乃是淑女的爱好 ★ 5/10状态: 看过 评分 5.5 不要太公公又式式\n器乐摇滚很有新意但表现力不足(也有可能是我鉴赏力不够，感觉OPED有歌词就舒服不少)\nlive插入了过多过多的内心独白，导致即使人物表情已经过度夸张了但仍然观感割裂沉浸不进去,其他的剧情也很平庸。\n贡献了几张表情包，有扭曲人设(算是有点活吧…)，加 0.5\n放送日期:2025年4月3日终评日期:2025-6-28 机动战士高达 GQuuuuuuX# 机动战士高达 GQuuuuuuX ★ 5/10状态: 弃番 听说没啥门槛来的，一头雾水的弃了…\n放送日期:2025年4月8日终评日期:2025-6-28 快藏起来！玛琪娜同学!!# 快藏起来！玛琪娜同学!! ★ 4/10状态: 弃番 机器xp还是挺诱人的，但养胃男主叶公好龙败观感，弃了。裸得太多了以至于都没啥感觉了\n放送日期:2025年4月6日终评日期:2025-6-22 男女之间的友情存在吗？（不，不存在!!）# 男女之间的友情存在吗？（不，不存在!!） ★ 3/10状态: 看过 评分 3.3 每个季度都会赤一部保持对烂片的感知\n躁郁双标乐子蓝毛不是败犬而是究极定制冠军的剧情也太冲击我价值观了。\n真正意义上的全员神人，槽点过多。这两个人都什么程度了还在这里挚友挚友的，\n给我看哈气了的一部番\n放送日期:2025年4月4日终评日期:2025-6-22 拉撒路# 拉撒路 ★ 2/10状态: 弃番 除了浪费掉的作画，各种意义上的屎。\n剧情毫无逻辑，人物毫无逻辑，世界观毫无逻辑，设定毫无逻辑，为了一缸醋包了一顿拙劣丑陋难吃的饺子。\n渡边吃大粪去吧🤮💩\n放送日期:2025年4月6日终评日期:2025-5-16 拜托请穿上，鹰峰同学# 拜托请穿上，鹰峰同学 ★ 2/10状态: 弃番 第一幕画面脸就崩…锥子脸过于难绷看不下去\n放送日期:2025年4月2日终评日期:2025-4-10 每日男公关# 每日男公关 ★ 未评分状态: 搁置 泡面番，还行\n放送日期:2025年4月4日终评日期:2025-7-8 ","date":"2025-07-08","externalUrl":null,"objectId":"post-83c6e78ece554f1bd39fe51168ccecb5","permalink":"/anime/anime-review-2025-04/","readingTime":5,"section":"看看番剧","summary":"记录2025年04月新番个人简评。","tags":["番剧","季度总结","2025年"],"title":"2025年04月新番观后简评","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["番剧"],"content":"个人番剧评价标准# 一、维度# A. 剧情构成# 剧本结构与节奏：故事发展是否自然顺畅，节奏是否恰当(太水/断崖式发展) 世界观与设定：世界观设定有没有意思，不求栩栩如生但至少别有一眼看出的bug 主题立意：故事想表达什么，深度和广度如何。一般情况下属于加分项，拒绝硬塞DEI 创意与新意：故事题材或者讲故事的方式有没有让人觉得新鲜的亮眼之处，实在不行打火机也算活 B. 制作水平# 作画与演出：画面稳不稳定，脸有没有崩，打斗或者关键镜头的表现力如何，分镜是否恰当舒适 美术：画风/用色别太廉价(太干净了/光影层次感不行)，美术风格是否统一 音乐与音效：OP/ED好不好听，和动画搭不搭(点名批评某y开头的一长串字母)；背景音乐/音效会不会让人出戏 C. 人物塑造# 角色设计与成长：怎么设计人物的外形和性格设计的，主角和重要配角有没有随剧情推进有所成长和变化 人物关系：角色之间的互动是否有趣扭曲，关系性怎么构建的 声优表现：声优的配音水平怎么样 D. 氛围营造# 情绪引导：能不能让人情绪随剧中同频共振 沉浸感：能不能让人沉浸于剧情之中，空气感等也是加分项 E. 个人主观体验# 电波契合度：一种“感觉”，不太好解释 特殊意义：对我而言有没有什么特别的意义，比如喜羊羊() 后劲：看完之后后劲很足，还想再回味/不忍再看 追番体验：（主要针对连载动画）过程体验如何，社区讨论/二创等等的乐趣 F. *思想情感价值# 思想性：动画有没有提出什么值得思考的问题，提出之后是否进行了有价值的探讨。 后续影响：作品/某一部分剧情/某些角色人物的后续影响如何，里程碑式作品/名场面/著名角色等 二、个人主观额外扣分# 包括但不限于——\n党争 系列作品画风突变 男同等 场外节奏 制作组懒 三、评分# 总评分标准：# 10分 (里程碑): 于个人/业界而言里程碑意义的作品。 9分 (极为优秀): 剧情、制作、人物等几乎所有方面都非常优秀。 8分 (亮点突出): 有多个突出亮点或在某一方面特别优秀。 7分 (值得一看): 在某些方面有亮点，整体不错。 6分 (尚可一看): 画面不太崩，整体还行。 5分 (勉强及格): 平平无奇，某一两个方面有缺憾。 5分以下 (不及格): 存在严重缺陷。 作品示例：# 《EVA》 ★ （10/10） 在思想内核、人物塑造和表现手法等均达到了里程碑级别，对后续作品产生了深远影响。\n《葬送的芙莉莲》 ★ （10/10） 顶级的制作水平、氛围营造和情感共鸣，拓宽了我对动画作品表现力的认识。\n《孤独摇滚》 ★ （9/10） 非常优秀的人物塑造和心理细腻的刻画，画面表现非常有创意，妙趣横生；歌好听。某种意义上讲也算是开创了大少女乐队时代\n《义妹生活》 ★ （9/10） 细腻动人的人物关系，氛围营造\u0026空气感\u0026情绪渲染能力优秀,虽然特别特别穷但上野壮大超神级发挥了,观感舒适。电波系作品俺向上取整给9分……\n《我的三体：章北海传》 ★ （9/10） 剧本(?)、立意、音乐和人物塑造均出色，刻画出了梦中三体该有的样子，同人动画的标杆。\n《佐贺偶像是传奇》 ★ （8/10） 在偶像题材中做出了颠覆性的创意，脚本天马行空，角色人设亮眼，同时积极拼搏的态度还挺有感染力的…\n《败犬女主太多了》 ★ （8/10） 解构了“败犬”这一经典元素，制作组厨力拉满，色系亮眼，人物个性鲜明讨喜，很有“青春感”。而且贡献了巨量可爱的表情包。\n《我独自升级》 ★ （7/10） 制作水平尤其在战斗场面上表现亮眼，但剧情是相对传统的升级流爽文，属于在制作上有亮点但剧情平平无奇。\n《中二病也要谈恋爱》 ★ （7/10） 对“中二病”的描写兼具搞笑与感动，在人物情感内核上有亮点，而且六花成为了经典角色。但整体框架较为常规。\n《更衣人偶坠入爱河》 ★ （6/10） 制作在线，画面和人设好看，剧情于我而言有点工业糖精，得扣分。\n《九龙大众浪漫》 ★ （6/10） 氛围感\u0026脑洞不错，人物形象塑造成功。剧情节奏很烂，中间部分日常太水了只是在每集结尾爆一爆。还有个人不喜欢男同。\n《青春笨蛋少年不做娇怜外出妹的梦》 ★ （5/10） 作为剧场版，剧情较为平淡，算狗尾续貂。大篇幅宣传函授属实难绷。\n《五等分的花嫁》 ★ （5/10） 制作不错，人物各有特色，名噪一时。但我很讨厌党争胃疼题材。\n","date":"2025-07-01","externalUrl":null,"objectId":"post-a6c54898cd6b3e186adb94ac4a85eca1","permalink":"/anime/anime-rating-criteria/","readingTime":4,"section":"看看番剧","summary":"个人用于评价动画番剧的六维标准体系，附上从10分到5分的具体作品评分实例。","tags":["评论","标准","番剧","动漫"],"title":"个人番剧评价标准","topic":"anime","topics":["anime"],"type":"anime"},{"categories":["动漫"],"content":"","date":"2025-07-01","externalUrl":null,"permalink":"/tags/%E5%8A%A8%E6%BC%AB/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"动漫","topic":"tags/动漫","topics":["tags/动漫"],"type":"tags"},{"categories":["标准"],"content":"","date":"2025-07-01","externalUrl":null,"permalink":"/tags/%E6%A0%87%E5%87%86/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"标准","topic":"tags/标准","topics":["tags/标准"],"type":"tags"},{"categories":["番剧"],"content":"","date":"2025-07-01","externalUrl":null,"permalink":"/categories/%E7%95%AA%E5%89%A7/","readingTime":0,"section":"Categories","summary":"","tags":[],"title":"番剧","topic":"categories/番剧","topics":["categories/番剧"],"type":"categories"},{"categories":["评论"],"content":"","date":"2025-07-01","externalUrl":null,"permalink":"/tags/%E8%AF%84%E8%AE%BA/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"评论","topic":"tags/评论","topics":["tags/评论"],"type":"tags"},{"categories":["API"],"content":"","date":"2025-06-23","externalUrl":null,"permalink":"/tags/api/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"API","topic":"tags/api","topics":["tags/api"],"type":"tags"},{"categories":["DeepSeek"],"content":"","date":"2025-06-23","externalUrl":null,"permalink":"/tags/deepseek/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"DeepSeek","topic":"tags/deepseek","topics":["tags/deepseek"],"type":"tags"},{"categories":["JavaScript"],"content":"","date":"2025-06-23","externalUrl":null,"permalink":"/tags/javascript/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"JavaScript","topic":"tags/javascript","topics":["tags/javascript"],"type":"tags"},{"categories":["我的开源项目"],"content":"","date":"2025-06-23","externalUrl":null,"permalink":"/series/%E6%88%91%E7%9A%84%E5%BC%80%E6%BA%90%E9%A1%B9%E7%9B%AE/","readingTime":0,"section":"电视剧集","summary":"","tags":[],"title":"我的开源项目","topic":"series/我的开源项目","topics":["series/我的开源项目"],"type":"series"},{"categories":["技术学习"],"content":"系统性地学点东西# OS/编译 数据结构与算法 语言 网络 深度学习框架 模型微调 NLP CV ","date":"2025-06-23","externalUrl":null,"permalink":"/cslearning/","readingTime":1,"section":"技术学习","summary":"泛计算机相关理论/原理学习记录","tags":[],"title":"技术学习","topic":"cslearning","topics":["cslearning"],"type":"cslearning"},{"categories":["油猴脚本"],"content":"","date":"2025-06-23","externalUrl":null,"permalink":"/tags/%E6%B2%B9%E7%8C%B4%E8%84%9A%E6%9C%AC/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"油猴脚本","topic":"tags/油猴脚本","topics":["tags/油猴脚本"],"type":"tags"},{"categories":["技术学习"],"content":"知乎收藏夹 Pro：用 AI 辅助整理知乎收藏# 常年刷知乎收藏的内容越来越多，随手丢进默认文件夹之后懒没有整理过……时间一长成屎山了……，查找特定类别变得困难。于是搓了一个脚本尝试解决这个问题，花了两天迭代三十多次，在Gemini的大力支持下达成了一个比较满意的效果…… 主要功能# 1. 为收藏夹生成描述# 如果一个收藏夹里存放了大量文章，可能很难记清它的主要内容。这个功能可以帮助快速生成一个概括性的描述。 在收藏夹页面，脚本会添加一个按钮。点击后，它会读取当前页面上文章的标题和部分内容，然后调用 AI 生成一段描述。用户可以修改这段描述，确认后保存。 点击“生成描述”按钮，AI 会自动总结收藏夹内容。 2. 智能整理收藏夹# 这是脚本的核心功能，用于将文章从一个收藏夹自动分类到其他收藏夹。 用户首先需要选择一个或多个“源收藏夹”（待整理的）和“目标收藏夹”（分类目的地）。脚本会依次处理源收藏夹中的每篇文章，通过 AI 判断它最适合哪个目标收藏夹，然后执行移动操作。 移动等操作用到了从网页端分析获得的api端口，应该速度还可以。 这个过程包含几个辅助设计： 试运行 (Dry Run)：这是一个安全选项。勾选后，脚本只会分析并报告每篇文章建议的移动路径，不会真的移动文件。用户可以先查看 AI 的分类结果是否合理。 进度仪表盘：整理过程是可视的。界面会显示一个仪表盘，包含图表和日志，用于展示整理进度、分类统计和每一项操作的详细记录。 可筛选的日志：用户可以通过点击图表来筛选日志，方便查看特定分类的操作历史。 撤销功能：所有被移动的文章都可以在日志中单独撤销，将文章移回原处。 点击“智能整理”按钮 选择填写弹出界面中的选项 界面转变成仪表盘 技术实现# 1. 为什么用油猴脚本？# 使用 Tampermonkey作为平台主要有以下几个原因： 直接操作页面：脚本可以直接在知乎页面上运行，方便地添加按钮、窗口等 UI 元素。 利用现有登录状态：脚本执行时，浏览器会自动携带用户的登录 Cookie。这意味着在调用知乎需要登录权限的 API（如添加或删除收藏）时，不需要额外处理复杂的登录和验证流程。 绕过 API 签名：知乎的一些内容接口有 x-zse-96 签名保护，在前端脚本中逆向很困难。通过使用油猴提供的 GM_xmlhttpRequest，可以直接请求页面的 HTML，从而获取内容，绕开了调用这些受保护接口的需要，同时也降低了被封号的风险。 2. “生成描述”的流程# 这个功能的实现分为三步： 数据采集：脚本遍历当前页面上的文章元素，提取标题和正文。如果内容被折叠，会模拟点击“展开”按钮。 构建 Prompt 并调用 AI：将采集到的文本数据整理后，发送给 AI，要求它生成一段总结性的文字。 应用更改：用户确认后，脚本通过知乎的官方 API (PUT /api/v4/collections/{id}) 来更新收藏夹的描述。 3. “智能整理”的技术细节# 比较复杂的部分，它的工作流程如下: a. 获取文章列表# 首先需要拿到源收藏夹里的所有文章。通过分析网络请求，可以发现知乎有一个分页 API (/api/v4/collections/{collectionId}/items)，通过循环调用这个 API 就可以获取完整的文章列表。 b. 抓取文章正文# 拿到文章链接后，需要获取其正文内容以供 AI 分析。直接调用内容 API 不太可行,有签名限制。这里的解决方法是： 使用 GM_xmlhttpRequest 来请求每个文章链接的 HTML 全文。这是一个油猴脚本的特有函数，可以实现跨域的异步网络请求。 获取到 HTML 文本后，使用浏览器内置的 DOMParser API 将其转换为 DOM 对象，然后就可以用 querySelector 轻松提取出正文所在的元素（.RichText.ztext）了。 c. 并发控制# 如果短时间内对大量文章发起请求，可能会被限制。为了避免这个问题，实现了一个简单的并发控制逻辑。 const taskQueue = [...all_articles]; const CONCURRENCY = 3; // 设置同时运行的任务数量 async function worker() { while (taskQueue.length \u0026gt; 0) { const task = taskQueue.shift(); // 从队列头部取一个任务 await processTask(task); // 执行任务（抓取、分析、移动） } } // 启动 3 个 \u0026#34;worker\u0026#34; 并行处理任务 for (let i = 0; i \u0026lt; CONCURRENCY; i++) { worker(); } 这样可以保证脚本以一个稳定的速率执行任务。 d. 可视化界面# 为了让整理过程可视化程度更高，用 Chart.js 这个库来制作图表，展示任务状态和分类结果。图表和日志列表是联动的，点击图表可以筛选日志，方便查看自己关心的信息。 不过Chart.js好像有缩放bug，ctrl+shift+移动滚轮有惊喜 后续计划# 目前脚本功能已经可用，但还有一些可以改进的地方： -[] 界面优化：适配知乎的夜间模式 -[] 增加模型选项：允许用户选择不同的 AI 模型，同时优化prompt生成，目前的版本还是有点费tokens -[] 功能扩展：一个长远的想法是尝试替换知乎原生的收藏按钮，简化收藏流程，在收藏时就介入AI分类建议 -[] 修复bug：已知的包括一篇文章处于多个收藏夹时会重复POST、左下类别太多时坐标y轴会显示不完整…… -[] 拓展平台：csdn等文字平台也有类似的问题，不过还没成屎山就先放放……视频平台收藏分类管理得还不错，就算了先~ FINAL# 这个脚本是一个临时起意的idea，目的是解决自己在使用知乎时遇到的一个具体问题,自我感觉还挺实用的…… 查看源码 \u003c?xml version=\"1.0\" standalone=\"no\"?\u003e\u003c!DOCTYPE svg PUBLIC \"-//W3C//DTD SVG 1.1//EN\" \"http://www.w3.org/Graphics/SVG/1.1/DTD/svg11.dtd\"\u003e Greasy Fork 安装 ","date":"2025-06-23","externalUrl":null,"objectId":"post-7a35fd3ca155f39a8025afc6e13878e9","permalink":"/cslearning/zhihu-collections-pro/","readingTime":5,"section":"技术学习","summary":"介绍一个自制的油猴脚本，它利用 AI (如 GPT) 帮助用户自动化管理和分类知乎收藏夹，解决信息过载问题。","tags":["油猴脚本","AI","JavaScript","DeepSeek","API","个人项目"],"title":"知乎收藏夹 Pro：用 AI 辅助整理知乎收藏","topic":"cslearning","topics":["cslearning"],"type":"cslearning"},{"categories":[""],"content":"","externalUrl":null,"permalink":"/en/about/","readingTime":0,"section":"ienone’s notebook","summary":"About ienone and this blog.","tags":[],"title":"About","topic":"","topics":[],"type":"about"},{"categories":["Authors"],"content":"","externalUrl":null,"permalink":"/en/authors/","readingTime":0,"section":"Authors","summary":"","tags":[],"title":"Authors","topic":"authors","topics":["authors"],"type":"authors"},{"categories":["Categories"],"content":"","externalUrl":null,"permalink":"/en/categories/","readingTime":0,"section":"Categories","summary":"","tags":[],"title":"Categories","topic":"categories","topics":["categories"],"type":"categories"},{"categories":[""],"content":"","externalUrl":null,"permalink":"/en/","readingTime":0,"section":"ienone’s notebook","summary":"","tags":[],"title":"ienone’s notebook","topic":"","topics":[],"type":"page"},{"categories":[""],"content":"","externalUrl":null,"permalink":"/en/projects/","readingTime":0,"section":"Projects","summary":"","tags":[],"title":"Projects","topic":"","topics":[],"type":"projects"},{"categories":[""],"content":"","externalUrl":null,"permalink":"/en/search/","readingTime":0,"section":"ienone’s notebook","summary":"","tags":[],"title":"Search","topic":"","topics":[],"type":"search"},{"categories":["Series"],"content":"","externalUrl":null,"permalink":"/en/series/","readingTime":0,"section":"Series","summary":"","tags":[],"title":"Series","topic":"series","topics":["series"],"type":"series"},{"categories":["Tags"],"content":"","externalUrl":null,"permalink":"/en/tags/","readingTime":0,"section":"Tags","summary":"","tags":[],"title":"Tags","topic":"tags","topics":["tags"],"type":"tags"},{"categories":[""],"content":"","externalUrl":null,"permalink":"/en/library/","readingTime":0,"section":"Writing","summary":"","tags":[],"title":"Writing","topic":"","topics":[],"type":"library"},{"categories":["玩机记录"],"content":"内容包括但不限于# ROot过程总结 面具\u0026amp;root隐藏 面具模块 Lsposed模块 文件相关应用 ","externalUrl":null,"permalink":"/article/android_root/","readingTime":1,"section":"技术相关","summary":"Android root相关","tags":[],"title":"玩机记录","topic":"article/android_root","topics":["article/android_root"],"type":"article"},{"categories":["电影"],"content":"内容涵盖领域# 进度/flag记录 每年新电影上线的观后感 老电影影评 一年一次的年度总结 ","externalUrl":null,"permalink":"/movies/","readingTime":1,"section":"电影","summary":"可能看得越来越少了……","tags":[],"title":"电影","topic":"movies","topics":["movies"],"type":"movies"},{"categories":["界面美化"],"content":"为了清爽便用的系统# 图标统一 牛皮藓去除 广告屏蔽 美化丑陋的UI 便利小插件 ","externalUrl":null,"permalink":"/article/beautify/","readingTime":1,"section":"技术相关","summary":"强迫症或许有用🤜😡🤛","tags":[],"title":"界面美化","topic":"article/beautify","topics":["article/beautify"],"type":"article"},{"categories":["网络通信"],"content":"内容或许包括# 本专栏深入探讨构成现代互联网的各类网络技术和通信协议，旨在分享学习笔记、实践经验和技术洞见。\n基础协议: TCP/IP、HTTP/HTTPS、DNS 、IPv4/v6 网络安全: 防火墙、VPN、加密技术…… 无线技术: Wi-Fi、路由器 实用工具: nas、挂载分区、网盘映射、pt等 ","externalUrl":null,"permalink":"/article/communication/","readingTime":1,"section":"技术相关","summary":"网络芝士、nas、pt……","tags":[],"title":"网络通信","topic":"article/communication","topics":["article/communication"],"type":"article"}]