Skip to content

十七、AI 应用与多模态创作 ​

← 上一章:十六、AI 时代的角色与商业 | 返回总览

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 Agent10 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。

基于 CC BY-NC-SA 4.0 发布