十七、AI 应用与多模态创作
本章定位:前十六章回答「用什么工具去造」,本章回答「造出来的产品长什么样」——按使用场景梳理已经跑通的成熟应用,覆盖文本之外的多模态能力(图像、语音、音乐、视频)。
与已有关联章节的分工:基础模型能力见章节三(三方模型 API);编程工具见章节二(Coding Plan)、章节四(CLI)、章节七(IDE)。本章只做场景视角的补充,不重复模型参数与工具选型。
时效性:本章外部事实核验于 2026-11-12。AI 应用层是全书换代最快的一层——下文专门有一节讲「为什么不要照抄旧清单」。
基础大模型与通用助手
模型能力本身已在章节三详述,这里只补产品层的差异:同一档模型能力下,各家助手的产品形态决定了它适合干什么。
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| ChatGPT | 生态最厚:GPTs、Projects、Canvas、Agent 工具链齐备 | 需要"一个入口解决大部分事"的重度用户 | 复杂任务先在 Projects 里挂上背景资料,比每次重述省事 |
| Claude | 长文写作与代码review的文字质量最稳 | 写报告、读长文档、做代码审查 | 长文档直接整篇给,不必切块;它的强项是保持全文口径一致 |
| Gemini | 多模态与谷歌生态(Gmail/文档/搜索/YouTube) | 深度使用谷歌全家桶的人 | 视频、音频、长 PDF 的原生理解是它相对最占优的地方 |
| DeepSeek / 千问 / Kimi / 豆包 | 国内直连、免费额度足、中文语境顺 | 不想折腾网络的日常使用者 | 别只用一个:常见组合是 DeepSeek 管代码、Kimi 管长文、豆包管日常问答 |
ChatGPT 类应用(知识库与自定义助手)
通用助手之上,真正拉开效率差距的是「把你的资料挂进去」这一层。
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| ChatGPT Projects | 项目级文件与指令常驻,不必每次重复背景 | 长期做一个项目的人 | 一个项目一个 Project,指令里写清"输出格式"而不是"写详细点" |
| Claude Projects | 上传文档建项目级知识库,长文场景更强 | 需要反复引用同一批文档 | 适合合同、论文、规范类资料的持续问答 |
| Gemini Gems | 自定义角色与固定工作流 | 想固化"每次都这么干"的流程 | 把常用提示词固化成 Gem,比留一堆收藏的 prompt 有用 |
| 扣子(Coze)/ Dify | 不写代码搭 Bot 与工作流,Dify 可私有化 | 要做对内工具或对外机器人 | 个人玩具用扣子,涉及公司数据用 Dify 私有部署 |
| n8n | 把 AI 接进已有 SaaS 流程 | 需要"AI + 自动化"串联 | 适合定时抓取 → 总结 → 推送到群这类链路 |
AI 搜索
搜索赛道在 2026 年已经完成从"给链接"到"给答案"的切换,衡量标准变成来源是否可核验与能否追问。
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| Perplexity | 带来源引用的检索式回答,有记忆系统沉淀偏好 | 需要核实事实、做调研 | 每个结论都点开脚注核对原文,它的价值在"可查"而不是"对" |
| 秘塔 AI 搜索 | 国内直连、免费,学术与公文语料友好 | 国内网络环境下的日常检索 | 适合查法规、论文、政策原文 |
| 纳米 AI 搜索 | 聚合多家模型的"超级搜索智能体" | 想一个框里横向比多个模型答案 | 适合需要交叉验证的争议性问题 |
| Kimi | 长文本 + 联网检索,K3.1 Pro 于 2026-10-27 发布(2.8T 参数、1M 上下文,AA 智能指数 55 分列第 4) | 整篇财报、合同、论文的精读 | 一次投喂完整文档再加提问,切碎反而丢上下文 |
| 夸克 / 元宝 / 文心助手 | 浏览器与社交生态内的搜索入口 | 已在对应生态内的用户 | 优势是"不用跳应用",不是答案质量本身 |
写作
写作类工具的分水岭不是"能不能写",而是能不能守住你的口径——术语、语气、事实边界。
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| Claude | 长文结构与文风一致性最好 | 报告、方案、长文创作 | 先让它列提纲再逐节写,比一次性生成整篇更可控 |
| ChatGPT | 指令遵循强,改稿迭代成本低 | 需要反复按反馈调整 | 把修改意见写成"具体替换成什么",而不是"再润色一下" |
| Notion AI | 文档内直接改写、补全、总结 | 知识库已在 Notion 的团队 | 适合润色与摘要,不适合从零做长文结构 |
| DeepL Write | 非母语写作的句式与语气打磨 | 写英文邮件、对外文案 | 先把意思写对,再用它改"读起来像不像母语者" |
编程开发
编程工具链是本书覆盖最厚的一块,不在此重复,按需求跳转:
| 需求 | 去哪个章节 |
|---|---|
| 选订阅套餐、算成本 | 章节二:Coding Plan |
| 终端里用 AI | 章节四:CLI 种类 |
| 换一个 AI 原生 IDE | 章节七:编程工具 IDE |
| 用自然语言直接出原型 | 章节十二:Vibe Coding |
翻译
2026 年的关键变化:通用大模型在"高质量翻译"上已经追平专业引擎,但两者擅长的东西不一样——专业引擎做忠实转写,大模型做本地化改写。
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| DeepL | 欧洲语言译文最像人写的,支持文档上传并保留排版;Pro 约 $10.49/月 | 合同、说明书、对外文档 | 中日阿等语言明显弱于欧洲语言,别默认它可以通吃 |
| Google 翻译 | 覆盖 130+ 语言,免费额度大 | 小语种、日常阅读 | 适合"看懂",不适合"发布" |
| Claude / GPT / Gemini | 能按受众改写:换例子、换币种、换语气 | 营销文案、对外内容本地化 | 必须给一句明确的受众指令;注意它会"纠正"品牌名,需人工核对 |
| 沉浸式翻译 | 网页双语对照,原文译文同屏 | 读外语文档、论文、技术博客 | 国内直连;读长文时开对照而非纯译文,避免漏掉原文限定条件 |
图像生成
这一块 2026 年已经不是"谁画得好",而是谁更听得懂修改。曾经的 DALL·E 已从 ChatGPT 退役,图像能力改由 ChatGPT Images 系列承担。
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| ChatGPT Images(GPT Image 2.6,2026-11-04;2.5 为 2026-09-08) | 指令理解与对话式修图最强,改稿成本最低 | 营销物料、需要反复按反馈修改 | 用它做"精修与执行",不要用它找灵感 |
| Nano Banana(Google,2.1 与 Pro) | 文字渲染、多图融合、人像真实感与角色一致性 | 电商产品图、带排版的海报、改稿合成 | 要"图里的字别错"就选它,比手改后期省事 |
| Midjourney V8.2 | 审美与风格化天花板,--sref 风格参考体系最成熟(2026-07 起为默认版本,原生 2K) | 概念设计、氛围图、封面 | 只用来定调子;文字和精确改图交给别人 |
| Seedream(字节,5.5 / 5.0 Pro) | 中文排版与中文语境设计强 | 中文海报、电商详情页、自媒体配图 | 中文小字多的场景优先试它 |
| Qwen Image 3.0 Pro | 中文文字与复杂页面布局 | 海报、PPT、UI 草图 | 与通义系工作流配合最顺 |
| Ideogram(4.0 / 4.5) | 图中文字与字体排版 | Logo 草案、广告图 | 三家都不完美时,小字排版仍建议回 Figma/PS |
| FLUX(Black Forest Labs) | 开源权重、可自托管,写实照片强 | 要私有部署或批量生成的开发者 | 按张计费比订阅便宜,适合跑量 |
实践建议:专业用户的现状不是"三选一",而是分工——Midjourney 出方向 → Nano Banana 或 GPT Image 精修排版。同一张图跨模型接力,比死守一个模型效果更好。
语音识别与合成
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| ElevenLabs(Eleven v4 / v4 Turbo,2026-09-28) | 语音合成与克隆,90+ 语言,带 [audio tags] 情感与音效控制;Turbo 版约 100ms 延迟 | 有声书、播客、视频配音、实时语音 Agent | 10 秒音频即可克隆;做字幕链路时用它的 STT,词级时间戳与说话人分离是现成的 |
| Whisper(OpenAI,开源) | 本地离线转写,零成本、数据不出机 | 敏感会议、批量转写 | 输出是短语级分段,不做词级时间戳,做卡拉OK式字幕要另配对齐工具 |
| 通义听悟 | 中文会议/课堂转写,说话人分离、PPT 提取、要点提取 | 会议纪要、培训复盘 | 中文多人会议比通用模型直接转更稳 |
| 飞书妙记 | 深度嵌入飞书会议,实时转写可协同批注 | 已在飞书办公的团队 | 优势在"纪要直接进团队文档",不在转写精度 |
影音创作(音乐与配音)
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| Suno v6(2026-09-09,含 v6-wild / v6-mini) | 整首歌带人声,v6 起支持对成片做局部改写与 mashup;旧版本已随 v6 铺开退役 | 短内容配乐、demo、歌曲创作 | 无公开 API,商业使用需在 Suno 内下载并确认授权链;不要接第三方"Suno API"包装,多数违反其条款 |
| Suno Speech(2026-10-01 公测) | 一次生成"旁白 + 原创配乐",省掉后期混音 | 口播短片、旁白型内容 | 仍在测试期,发音口音可能漂移,重要内容留人工复核 |
| Lyria 3.5(Google,2026-09-04 进 Gemini API) | 有正式 API、每首约 $0.08、输出带 SynthID 水印 | 要把音乐生成做进产品的开发者 | Suno 之外唯一"可签约集成"的前沿音乐模型,做产品选它 |
| ElevenLabs Dubbing | 整段视频翻译并配音成新语种 | 内容出海、多语言版本 | 先做字幕校对再配音,直接配音会放大转写错误 |
视频生成
这一节最适合用来演示"为什么不能照抄旧清单":OpenAI 的 Sora 已于 2026-03-24 宣布停止独立应用与 API,应用 4 月 26 日关闭、API 9 月关闭。任何仍在推荐"用 Sora 做视频"的资料,都已经过期一年。
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| Veo 3.1(Google) | 综合质量与原生音频最强,同帧口型同步,支持 4K 与较长镜头 | 需要"人物说话对得上嘴"的成片 | 按秒计费,迭代慢、成本高,不要用它试错找方向 |
| Kling 3.0(快手) | 人体动作与表情自然,原生音频覆盖多语言,长镜头能力强 | 有真人动作的短视频、剧情片段 | 与 Veo 分工:动作给它,说话镜头给 Veo |
| Seedance 2.0 Pro(字节) | 多镜头叙事与跨镜头风格/角色一致性最好(港大 2026-10 评测文字生成视频项 3.86 分列第一) | 系列短剧、需要角色贯穿的内容 | 原生片段短(约 15s),要按镜头规划,别指望一镜到底 |
| Runway(Gen-4.5 / Aleph 2.0) | 精细控制:局部重绘、运动笔刷、视频转视频 | 有后期流程的剪辑师 | 它不是"生成器",是"修片台",配其他模型产出使用 |
| Luma Ray 3 | 单图转视频的氛围与光影 | B-roll、回忆/氛围镜头 | 低分辨率草稿便宜,适合先试节奏 |
| Gemini Omni Flash(2026-05-19) | 对话式改片:上传片段后用自然语言提修改;YouTube Shorts 内免费可用 | 快速迭代的社媒创作者 | 改片成本极低,适合"哪里不对改哪里" |
| Pika | 快、便宜、社交向特效 | 追热点、做梗图视频 | 保真度不是它的目标,周转速度才是 |
选型口诀:说话镜头选 Veo,身体动作选 Kling,多镜头连贯选 Seedance,要改片选 Runway / Omni Flash,只要氛围选 Luma。
视频内容总结
| 产品 | 核心价值 | 适合谁 | 使用建议 |
|---|---|---|---|
| Gemini | 原生多模态,直接吃长视频并识别画面里的图表与文字 | 图表密集的技术分享、学术报告 | 明确要求"结合 PPT 画面提炼",否则它只总结音轨 |
| NotebookLM | 多来源资料库:PDF/网页/文档一起做问答,可生成播客式摘要 | 把整批资料做成可追问的知识库 | 强项是"跨资料串联",不是单条视频的速读 |
| 通义听悟 | 会议、课堂、培训场景的转写 + 章节 + 摘要 | 国内会议与课程复盘 | 中文场景稳,长录音先转音频再上传更省时 |
| BibiGPT | 贴链接即出要点,支持 MCP 接入 | 只想快速知道"这条值不值得看" | 无字幕视频容易失败,免费版对长内容有截断 |
| NoteGPT | 大文件与批量任务 | 需要批量处理一堆视频 | 适合流水线,不适合精读 |
一条实用提醒:直接问"总结这个两小时视频"只能得到两三百字的废话。有效做法是三步——先按时间戳拉出 5–8 个议题骨架,再针对关键段落追问具体数据和案例,最后强制它列出"讲师明确反对的做法"。这条经验与章节十四(Prompt Engineering)的结构化提问原则一致。
按人群的组合建议
| 你是谁 | 推荐组合 | 月度成本量级 |
|---|---|---|
| 学生 / 学习者 | Kimi(长文)+ 秘塔(检索)+ 通义听悟(网课转笔记)+ Suno 免费额度 | 0 元 |
| 内容创作者 | ChatGPT 或 Claude + Midjourney(定调)+ Nano Banana(排版)+ Seedance/Kling(视频)+ Suno | 约 300–500 元 |
| 开发者 | 见章节二订阅选型 + Gemini(多模态理解)+ FLUX 自托管(批量出图) | 按订阅与算力 |
| 团队 | Dify 私有化 + 飞书妙记/通义听悟 + DeepL Pro(对外文档) | 按人数 |
为什么不要照抄旧清单
本章的每条都带发布日期,原因很直接:应用层是全书最容易过期的一层。
- 产品会消失:Sora 曾经是 2024–2025 年所有"AI 视频"清单的第一名,2026 年 4 月应用关停,Pro 订阅续费率不足 8%。清单如果只写名字不写时间,读者无法判断它是否还活着。
- 版本会换代:Suno 从 v5.5 到 v6 只用 5 个多月,且旧模型随新版铺开即退役;照抄"v4 也能用"的推荐,等于让读者用一个已经下线的服务。
- 能力会转移:图像生成从"专用工具"转向"对话式修图",DALL·E 被 ChatGPT Images 取代;翻译从"专用引擎"转向"大模型改写"。按品类抄清单,抄到的是上一代的竞争格局。
可操作的核对方法:看到任何 AI 工具推荐,先做三件事——查官网是否有该版本、查定价页是否还在、查该产品最近 90 天有无更新。三条都过,再采信。
