今日最有感的事

今天丟了一則 Threads 爆紅貼文問：有沒有辦法逆向工程看看 Fomofly 是怎麼做的。先補個背景給非工程師讀者：Fomofly 是一個 AI 自動剪片工具，你上傳一段長影片，它幫你自動切成好幾支短片、還會自動把畫面框在講話的人臉上。這種工具最近在社群上很紅，貼文就是在推它。

先講攤開來看到的第一件事：這則貼文本身，一個技術字都沒有。 作者 @master_aiaiai、兩萬次瀏覽，開頭寫著「下面 8 個 prompt，直接用：」——但把整串留言拉下來，作者自己在下面回了三次「其實不用 prompt 的喔 🙈」。那八個 prompt 從頭到尾不存在，那句開場白純粹是釣互動用的鉤子。再往外看，daydayaitools、aicuttools、funaitools、master_aiaiai 這一批帳號，在 8/5 到 8/24 之間用同一套句型連發同一支工具，而 Fomofly 官網有 /affiliates 分潤計畫。這代表整件事是一個聯盟行銷叢集，貼文只是誘餌，賺的是導流佣金。

那技術到底從哪來？從它的前端 bundle 挖出來的，不是貼文。在 app.fomofly.ai 的 JS 檔裡有一組後端 job 的狀態機常數（uploading、google_processing_upload、transcribing、extracting、asdProcessing、clipping⋯），這串常數等於把它整條剪片流水線攤在你面前。真正值得看的是這個狀態機——貼文教不了你任何東西，但它的程式碼會。這也是今天最有感的一個反差：一則號稱要「教你怎麼做」的爆文，學習價值是零；真正的資訊藏在它自己沒打算給你看的地方。

更直白地說，這件事的第二層才是重點：把 Fomofly 這條 pipeline 跟我自己的 BearCut 剪片專案逐格對照下來，七格裡我已經有六格，而且有三格做得比它好——轉錄我用本機 whisper（Metal 加速）配 faster 備援、選題我丟給 claude -p 抽爆點、匯出走自己的 clip_export.py。唯一缺的那一格，就是 Fomofly 狀態機裡的 asdProcessing：active speaker detection，主動說話者偵測。我的 face_detect.py 用了 YuNet，但它只留信心最高的那張臉，其餘全丟——所以它連「畫面裡有兩個人」都不知道，更別說判斷「此刻是誰在講話」。

而這一格，正是今天真正該收的東西。這裡我還踩了一個自己的坑：一開始我推薦用 Light-ASD 當這格的解，但那是憑印象講的、沒查證。後來派 Fable 做對抗式覆核時，我在 prompt 裡直接把這條標成「我建議裡最弱的一環」，要它實際去查 Apple Silicon 可行性、授權和維護狀態。Fable 那輪還順手推翻了我另外幾個技術判斷（crop 的高度不能用表達式動、clip_export 根本沒碰去空白、cuts.py 早就有場景偵測），我逐條獨立驗過，全部成立。教訓很清楚：選模型不能靠記憶背書，得攤開論文和 repo 實測。所以今天把 Light-ASD、TalkNet-ASD 和一篇 IJCV 2025 的相關論文一起收下來當選型的三個對照點。

還有一個關鍵是我提到「有時候需要雙人素材、大部份單人偶爾雙人」的時候浮出來的：正因為偶爾會有兩個人同時入鏡，只做「抓最大那張臉」是不夠的，得靠 ASD 分辨「這一刻鏡頭該框誰」。而我做的是醫學教學影片，不是網紅 podcast——爆點判準、取景邏輯跟那些工具本來就不一樣，所以更不能整包照抄別人的模型，得自己選、自己驗。

今日收集的資源

Fomofly 逆向工程的那則 Threads 貼文

Light-ASD（GitHub）

TalkNet-ASD（GitHub）

IJCV 2025 論文（PDF）

財報狗 EP560 逐字稿（Google Doc）

◆ ◆ ◆