2026 年 10 月 12 日的 DBA 課程結束後，授課的吳相勳主任請 Claude 把上課內容和一篇經典論文做成 11 集直式動畫短片，放上吳主任的個人網站 SONIC。這一頁記錄這批短片從寫腳本、配音、做動畫到上線，前後三個版本花了多少時間與 AI 費用、哪些環節最花錢，以及下一次可以怎麼省。
三個版本的工作時段合計 8 小時 17 分。Claude 的等值費用約 91 美元，最大的兩筆是配音品管（約 23 美元）和講者頭像（約 22 美元）；呼叫 Gemini API 的費用，依 Google Cloud 帳單約新台幣 350 元，已由抵用額度全數抵掉。時間主要花在把動畫輸出成影片（render），三版合計約 3 小時 15 分，但這段時間幾乎不產生 Claude 費用。依帳單與實測整理出四個省錢做法後，同樣規模的系列，下次的 Gemini 費用估計在新台幣 80 到 100 元之間。
吳相勳主任在元智大學 DBA（企業管理博士）課程「CM724 個案研究方法」授課。2026 年 10 月 12 日這堂課，他講了兩條線：一條談教學個案，以及讀個案時背後的理論透鏡，也就是研究者看個案時採用的理論角度；另一條帶學生讀 Burgelman（1994）的經典論文，這篇論文研究 Intel 在 1985 年退出 DRAM 記憶體市場的過程。
課後，吳主任把三段上課逐字稿和論文原文交給 Claude，請它做成適合在手機上觀看的直式短片。吳主任開出的條件是每集最多 3 分鐘，正確性優先於趣味性；上課時的口頭說法如果和論文有出入，一律以論文原文為準。
成品是 11 集短片，每集不超過 3 分鐘，合計約 26 分鐘：主線 5 集談教學個案與理論透鏡，深讀 6 集逐段整理 Burgelman 的論文。旁白是 AI 依吳主任的錄音合成的聲音；畫面是用程式寫成的動畫，可以直接在網頁上播放，也另外輸出成 MP4 影片檔。
這批短片前後做了三個版本。第一版在 10 月 12 日深夜開工、隔天凌晨完成，共 19 集，旁白每分鐘約 258 字。吳主任看完後認為旁白太慢、語調太平，第二版就全部重新配音，語速提高到約 1.6 倍，再把合計不超過 3 分鐘的相鄰兩集合併，成為現在的 11 集。第三版把畫面左下角的講者頭像，從原創插畫換成依吳主任照片生成的頭像。
整個專案只有兩個角色。吳主任負責提供素材、決定規格、看成品並提出修改意見；其餘工作都由 Claude 在雲端工作區完成，包括寫腳本、寫程式、呼叫其他 AI 服務、輸出影片和發布網頁。雲端工作區是 Claude 的開發公司 Anthropic 提供的一台遠端 Linux 電腦，Claude 可以在裡面執行程式、存放檔案，吳主任的電腦不需要另外安裝軟體。
Claude 依照一份名為 fast-explainer-short 的 skill 工作。skill 是寫給 Claude 看的工作手冊，記錄這類短片的流程、寫作規則和常用程式；Claude 每做完一次，就把新學到的規則補進去，下一次直接沿用。一集短片從素材到上線，會經過下面七個步驟。
Claude 讀完逐字稿和論文，把內容切成一集一集，寫出每一句旁白和對應的畫面。論文的事實、數字與引文逐句對照原文校正，引文標上頁碼。
旁白使用 Google 的 Gemini TTS 合成。TTS（text-to-speech，文字轉語音）是把文字念成語音的 AI 服務。這次使用複製聲線，也就是事先依吳主任的錄音建立一個專屬聲音，之後輸入任何文字，都能用他的聲音念出來。
AI 配音偶爾會多念語氣詞、漏字或念錯字。每一句生成後，Claude 把這句語音交給另一個 Gemini 模型聽寫成文字，和原稿逐字比對，不符合就重錄；同時比對聲紋相似度（用程式比較兩段聲音的特徵，0 到 1 之間，越接近 1 越像本人）。每錄一次稱為一個 take，同一句可能要錄好幾個 take 才通過。
背景音樂使用 Google 的 Lyria 生成。Lyria 是依文字描述作曲的 AI 模型。每個系列先生成幾首候選曲，選定一首，再依每一集的長度剪接，和旁白混音。
畫面用網頁程式（HTML 與 JavaScript）寫成，不需要剪輯軟體：文字、圖表和角色依照旁白的時間點出現與移動。因為畫面是程式，要改一個片名或調整版面，只要修改程式再重新輸出。
render 是把動畫算成影片檔的步驟。程式在背景開啟一個沒有視窗的瀏覽器播放動畫，每秒截 30 張圖，再交給 ffmpeg 這套影音工具壓成 MP4。這一步全由機器執行，是整個流程最花時間的環節。
專題頁和網頁版短片放在 SONIC 網站上，這個網站架設在 GitHub Pages。GitHub 是存放程式碼的網路服務，GitHub Pages 是它附帶的網站空間；檔案上傳後，系統會自動重新建置網站，這個過程稱為部署，每次約 6 到 7 分鐘。上線後，Claude 再從公開網址讀回檔案，確認內容和上傳的版本相同。
這一頁的費用分成兩筆，算法不同。Claude 的費用是 Claude 自己閱讀、思考與執行工作的花費；Gemini 的費用是 Claude 呼叫 Google 的 AI 服務去配音、聽寫和作曲的花費。兩筆都按用量計算，大多以 token 計量；配樂按首、生圖按張計價。
三個版本的工作時段合計 8 小時 17 分，分散在 10/12 深夜到 10/13 傍晚之間，版本之間的空檔沒有算進去。下表的「經過時間」從開工算到交付，同一個版本中間的等待也算在內；第三版有 68 分鐘在等吳主任回覆，實際工作約 1 小時 30 分。時間都是台北時間。
| 版本 | 期間 | 經過時間 | 產出 | Claude 等值費用 |
|---|---|---|---|---|
| 第一版：19 集 | 10/12 23:27 – 10/13 02:50 | 3 小時 23 分 | 19 集，共 42.1 分鐘；專題頁上線，網站的作品索引加上這個專題 | US$34.01 |
| 第二版：語速 1.6 倍，合併為 11 集 | 10/13 06:13 – 08:28 | 2 小時 15 分 | 11 集，共 26.4 分鐘；專題頁改版，舊網址自動轉到新集數 | US$22.67 |
| 第三版：換上本人頭像 | 10/13 14:24 – 17:03 | 2 小時 39 分（等待 68 分鐘） | 頭像圖檔放上網站；網頁版 11 集換頭像；MP4 重新輸出 | 約 US$34.5 |
| 合計 | 8 小時 17 分 | 約 US$91 |
第一版10/12 23:27 – 10/13 02:503 小時 23 分
第二版10/13 06:13 – 08:282 小時 15 分
第三版10/13 14:24 – 17:032 小時 39 分
資料：各階段產出檔的修改時間、程式碼倉庫的提交紀錄與自動部署紀錄（台北時間，說明見「資料從哪裡來」）。同一時段可能有幾項工作並行；點開每一版下方的「工作明細」，可以看到每段時間做了什麼。
第二版最長的一段是配音重做，花了 85 分鐘，比 render 還久。腳本設計集中在第一版，約 1 小時；這段時間 Claude 主要在讀論文、逐句校正，程式只執行了 92 秒。
三個版本的 Claude 等值費用合計約 91 美元。其中 79.15 美元是 10/13 16:10 以前的系統紀錄；16:10 以後的頭像上線、重新輸出影片、交付，以及撰寫製作報告（短片完成後，Claude 寫給吳主任的時間與資源報告，也就是本頁的原始版本）約 12 美元，是依 token 用量推估。下圖把費用拆到各個階段，單位是美元，顏色區分版本。
各階段金額由下方的分時段紀錄拆算，屬估算。「render 期間查看進度」是影片輸出時，Claude 定時檢查進度與錯誤的花費。
Claude 的費用跟著步驟數和對話長度走，和產出多少內容關係不大。到 16:10 為止，Claude 共寫出 59 萬個 token，卻重讀了 2.3 億個 token 的上下文；對話越長，每一個小步驟都要重讀前面全部的內容。
配音品管最貴，約 23 美元，其中第二版重錄佔 14 美元。Claude 在第一版開錄前，沒有先用一集試聽語速和語調，整批做完才發現太慢、太平，等於配音做了兩次。
第三版的工作量不大，講者頭像卻花了約 22 美元。第三版開始時，這段對話已累積約 78 萬個 token 的上下文，每個小步驟的成本是第一版後段的三到四倍。
render 最花時間，卻幾乎不花 Claude 的錢。三次全集輸出加上一次試片，機器跑了約 3 小時 15 分，Claude 只在旁邊定時查看，三版合計約 4 美元。發布與交付約 12 美元，主要花在 SONIC 網站的上線規範：把新檔案加進部署清單（決定哪些檔案會上線的設定檔）、寫交接紀錄（給下一次接手的人看的工作日誌），以及從公開網址讀回檔案驗證。
上圖的各階段金額，是從下表的分時段紀錄拆算出來的。工作區每次啟動或回到對話時，系統會寫下累計金額，前後相減就是該時段的花費。
| 時段（台北時間） | 主要工作 | Claude 等值費用 |
|---|---|---|
| 10/12 23:27 – 10/13 00:25 | 腳本設計：兩個系列 19 集，依論文校正 | US$8.42 |
| 10/13 00:25 – 02:50 | 配音、配樂、混音、動畫引擎與分鏡、render、專題頁發布、交付 | US$25.59 |
| 10/13 06:13 – 08:28 | 第二版：語氣實驗、重錄與品管、合併、片名修正、render、改版發布 | US$22.67 |
| 10/13 14:24 – 14:32 | 第三版：盤點製作規則、第一次嘗試手繪頭像 | US$7.87 |
| 10/13 15:40 – 16:10 | 依照片生成頭像、製作嘴形、試片 | US$14.60 |
| 10/13 16:10 – 結束 | 頭像放上網站、11 集重新輸出、撰寫製作報告 | 約 US$12（推估） |
| 合計 | 約 US$91 |
16:10 以前，Claude 的運算時間合計 97 分鐘，工具執行時間合計 213 分鐘。運算時間是 Claude 閱讀、思考與撰寫的時間；工具執行時間是它下的指令在工作區裡執行的時間，大多是在等 render 與部署完成。
配音是外部 API 用量最大的環節。第二版為了加快語速、拉開語調起伏而整批重錄，語音合成約 1,360 次、聽寫約 1,960 次，是第一版的三到五倍。
| 用途 | 模型 | 第一版 | 第二版 | 第三版 |
|---|---|---|---|---|
| 配音（複製聲線） | gemini-3.8-flash-tts | 424 次：415 句，加上試聽 9 次 | 約 1,360 次：語氣實驗 40、正式錄音 830、重錄 486 | 0 |
| 逐字聽寫與比對 | gemini-3.8-flash | 415 次 | 約 1,960 次：每個 take 1 次、逐字複核 415、三重複核約 190 | 0 |
| 整集聆聽檢查 | gemini-3.8-flash | 19 集 | 11 集，另有數輪成對比較 | 0 |
| 配樂 | Lyria | 帳單記 15 首；留下 12 首候選，選用 2 首 | 沿用 | 沿用 |
| 頭像與嘴形 | gpt-image-2 等 3 種影像模型 | 0 | 0 | 14 次：比較三種模型 6、定稿候選 4、嘴形 4 |
逐字複核：挑出的 take 再聽寫一次，確認和原稿一字不差。三重複核：通過的句子再以「保留語氣詞」的方式聽寫三次，抓出多念的「喔」「啊」。整集聆聽檢查：把完成的整集音軌交給 Gemini 聽一遍，作為最後一道聽感檢查；成對比較是把兩段音訊交給模型比較，再交換播放順序比一次，避免先後順序影響判斷。
Gemini 的費用記在 Google Cloud（Google 的雲端服務平台）的帳單上。第一版與第二版的用量都落在帳單的 10 月 12 日這一天，因為帳單依美國太平洋時間切日，台北時間下午 3 點才換日。合計約新台幣 350 元，全部由抵用額度抵掉，實付 0 元；吳主任加入 Google 的開發者付費方案（Google Developer Program），每月有一筆雲端費用的抵用額度。配音約佔一半，聽寫約佔四成。
| 項目 | 模型 | 用量 | 金額（新台幣） | 佔比 |
|---|---|---|---|---|
| 配音（複製聲線） | gemini-3.8-flash-tts | 音訊輸出 281,287 tokens（約 187.5 分鐘）、文字輸入 455,903 tokens | 175.40 | 50% |
| 逐字聽寫與整集聆聽 | gemini-3.8-flash | 音訊輸入 758,740、文字輸入 230,924、輸出 945,807 tokens | 136.30 | 39% |
| 配樂 | Lyria 3 | 15 首 | 38.14 | 11% |
| 合計 | 349.84 | 100% |
換算成秒數，Gemini 每生成 1 秒語音約花 NT$0.016，1 分鐘約 NT$0.94。這次品管時同一句常錄好幾次，加上第一版整批重做，總共生成約 187.5 分鐘的語音，最後 11 集的旁白只有 1,378 秒（約 23 分鐘）。把配音費用攤到成品上，每 1 秒旁白約 NT$0.13；加上聽寫比對，約 NT$0.23。
聽寫的費用主要花在思考 token。每次聽寫的逐字稿只有約 20 個 token，模型另外花了約 160 個 token 思考，光輸出一項就有 NT$112.72，佔聽寫費用的八成以上。TTS 的帳單單價則是價目表的兩倍：音訊輸出每百萬 token 約 18 美元，價目表寫 9 美元；文字輸入也是 1 美元對 0.5 美元。是否因為複製聲線另外計價，還要向 Google 確認。
有三筆費用沒有計入。頭像的 14 張圖中，Gemini 生成的 4 張在查詢時還沒出現在帳單上；另外 10 張由 OpenAI 的 gpt-image-2 生成，費用另計，沒有查詢。同一天帳單另有約 NT$26 的其他用量，不屬於這個專案。另外，Google Cloud 報表上的金額只標「$」，實際幣別依帳戶設定，這個帳戶是新台幣。
render 在雲端工作區執行，機器規格是 2 核心 CPU、7 GB 記憶體。程式以無頭 Chromium（沒有視窗的瀏覽器）逐格截圖，畫面 1080×1920、每秒 30 格，同時跑兩個輸出程序。平均每 1 秒影片要花將近 2 秒輸出。
| 批次 | 集數 | 影片長度 | render 經過時間 | 每 1 秒影片耗時 |
|---|---|---|---|---|
| 第一版 | 19 集，另有 4 集修正後重新輸出 | 42.1 分鐘，加上重新輸出的 4 集 | 95 分鐘（01:10–02:45） | 約 1.8 秒（含重新輸出） |
| 第二版 | 11 集 | 26.4 分鐘 | 約 45 分鐘（07:41–08:27） | 1.75 秒 |
| 第三版試片 | 1 集 | 2.9 分鐘 | 約 6 分鐘（15:57–16:03） | 約 2 秒 |
| 第三版 | 11 集 | 26.4 分鐘 | 50 分鐘（16:11–17:01） | 約 1.9 秒 |
另外，配音原始檔和各版音軌佔用約 4.4 GB；MP4 第一版 234 MB、第二版 178 MB、第三版 169 MB。專題頁一共部署 5 次，每次 6 到 7 分鐘。
回頭看這三個版本，最多的錢花在兩件事：整批做完才發現要重做，以及對話拉得太長。下次製作會做五項調整：
Gemini 帳單的大頭是配音和聽寫，省錢就從這兩項著手。前三個做法都先做小規模實測，結果沒有問題才寫進 skill，成為工具的預設值；配樂一項是調整規則。
| 做法 | 實測結果或規則 | 預估效果 |
|---|---|---|
| 聽寫時關閉思考 | 20 句乾淨錄音和 30 句故意加錯的錄音，兩種設定各測兩輪。乾淨句被誤判：關閉 2/40、開啟 4/40；故意加進去的語氣詞：關閉抓到 21/25、開啟 22/25；改字兩種設定都全部抓到。每次呼叫從 3.6 秒降到 2.3 秒。 | 每次聽寫約省七成；以這次的次數計算，聽寫費用從約 NT$136 降到約 NT$36 |
| 每句只錄到通過品管為止 | 先用 5 到 10 句試聽，確認語速與語氣，再整批生成；每句先錄 1 次，沒有通過才重錄，最多再錄 2 次。工具測試的 3 句中，1 句因為多念一個「哦」，重錄 1 次後通過。 | 配音費用約從 NT$175 降到 NT$40 |
| 整批配音改用 Batch API | 吳主任的複製聲線也能使用；3 句約 1.5 到 2 分鐘完成，聲紋相似度 0.81 到 0.90，達到品管門檻（0.78）。價目表寫半價，實際折扣要等帳單確認。 | 配音費用再省一半 |
| 配樂先生成 2 首候選 | 規則調整，沒有另做測試：每個系列先生成 2 首，兩首都不適合才再補。這次兩個系列共生成 15 首。 | 兩個系列合計少生成約 11 首，約省 NT$28 |
關閉思考，是要求模型直接輸出聽寫結果，不先在內部推理。逐字聽寫不需要推理，實測準確度和開啟時相當，費用卻少很多。Batch API（批次處理）是把大量請求一次送出、由 Google 排程處理的方式，價目表上的價格是即時呼叫的一半；代價是結果不會馬上回來，實測幾分鐘就完成，但沒有保證的完成時間。
照這四個做法，同樣規模的 11 集系列，下次的 Gemini 費用估計約新台幣 80 到 100 元：配音約 40 元、聽寫約 36 元、配樂約 10 元，以 2026 年價格計算，並假設不必整批重做。這個估計還沒有扣掉 Batch API 的折扣；帳單確認半價後，配音約可再少 20 元。Google 的價目表註明 2027 年 1 月 1 日起 TTS 與 Flash 模型的價格加倍，屆時要重新估算。工具現在會把每次呼叫的用量記進紀錄檔，交付時附上費用摘要；另外也建議為這類短片開一個專用的 Google Cloud 專案並設定預算警示，帳單才容易單獨計算。
數字讀完了，可以回到專題頁，看看這三個版本最後做出來的成品。
回到 DBA 課程短片專題 ↗