Qwen3-VL-30B-A3B-Instruct
Qwen2.5-VL-7B-Instruct

需要深度思索 以及 需要博學 對於參數量要求似乎不太一樣

後者需要大參數量，前者好像不用🧐

OCR: VideoSubFinder (CLI) + PaddleOCR

Whisper做了speaker diarization分辨發言者A/B/C，結果nemo 2.0和pyannote都表現不怎樣😑