兩小時做出會說話的雕像

概要

• 拍照就能跟雕像講話Joe 的 app 先拍下雕像，用 OpenAI deep research 查出身分與歷史，再用 voice design API 生出聲音、建立 ElevenLabs agent 並撥出電話，整個過程大約 30 秒。
• 兩小時 vibe coding 引來大單位Joe 在 Cursor 裡花兩小時做出來，貼文第一天 50,000 次曝光，重新發文強調是 vibe coding 做的之後，第二天衝到 150 萬，博物館與拍賣行都來聯絡。
• 膠水層也是成果Joe 說專案幾乎全是把現成、本來就為大量使用設計的 API 接起來，說好這層膠水的故事，有時比解決困難的技術問題更重要。
• 長尾工作在內容與評估真要給博物館用，難的是請策展人設計敘事，而不是拿網路上隨便找到的資料，Joe 也想到博物館的資料庫與公開 API 可以串。
• 語音介面還有很多沒解的題目不是語音就是別的方式的二元切換、對話對象不是真正做事的 agent、使用者太客氣不敢打斷，Joe 都提到，並和聽眾討論了略讀式聆聽與 agent 主動示意的點子。
• 做爆款影片的經驗Joe 的建議包括加字幕、前幾秒就放鉤子、用 ElevenLabs 的音樂生成配樂，影片在手機上用 CapCut 剪。

原話

• “telling a good story about the glue is the in part the most important thing of the project”

  說好膠水層的故事，在某種程度上是專案裡最重要的事

  ▶ 06:11

• “people don't like interrupting voice agents because they're too polite. People are too polite.”

  人們不喜歡打斷語音 agent，因為太客氣了

  ▶ 11:33

• “what's the Instagram filters moment for vibe coding? Or the TikTok moment for vibe coding?”

  vibe coding 的 Instagram 濾鏡時刻或 TikTok 時刻會是什麼

  ▶ 16:02

• “that transcript of the conversation is completely malleable.”

  那份對話紀錄完全可以改寫

  ▶ 27:55

• “My videos tend to get between six and 12 seconds is the median view time and then people drop off.”

  我的影片觀看時間中位數落在 6 到 12 秒，之後人就離開了

  ▶ 30:54

延伸

• 博物館若想自己改內容，目前只能登入 ElevenLabs dashboard 改 system prompt 與 knowledge base 檔案；Joe 說這部分還沒設計過，並認為管理資訊用編輯文字比說話更合適。
• 爆紅之後有業者的執行長找到 Joe 的 WhatsApp 打來，說自己的 10 人團隊做這件事做了一年，問是怎麼做出來的。