多模态，说的是 AI 不只会处理文字，还能处理图片、语音、视频。
这词听着高级，落到日常就三个问题：它能不能看懂我发的图？能不能听我说话？能不能替我出声？
答案是：都能，但水平差得很远。
一，看图：能看懂，但看不清细节
你发一张照片过去，问"这是什么"，它答得挺准。发一张表格截图，让它转成文字，大多数情况也能对付。
这是目前最成熟的一档。常见用法：
- 拍下客户的纸质合同，让它提炼关键条款；
- 发一张设计稿，让它指出排版问题；
- 截一张报错截图，让它判断哪里出了问题；
- 拍下冰箱里的菜，让它出个菜谱。
边界在哪？细节和小字。密集的表格、模糊的手写、很小的字号、复杂的图表数据，它会读错。
所以：靠它"看个大概、提要点"没问题；要它"逐字准确转录"，一定自己核。
二，听：语音转文字已经很好用
语音这一块，是这几年进步最猛的。
普通话清晰录音的转写准确率，日常会议记录基本够用。带口音、多人插话、环境嘈杂，就会掉。
实用场景：会议记录、访谈整理、课程笔记、短视频字幕。
小提醒：转写错误集中在人名、专业术语、数字。这三个地方，转完必须抽查。
三，说：能合成人声，但要分清两种
第一种是"念稿"，把文字读出来。这个已经很成熟，语速语气自然，做有声内容够用。
第二种是"克隆音色"，学某个人说话。技术上是可行的，几秒钟样本就能模仿音色。这也是为什么现在电信诈骗的手段升级了——这个后文单独讲。
四，视频：能生成，但还当不了正片
让 AI 生成视频，现在能做到几秒到十几秒的片段，画面质量不低。
但它不能"按你的剧本演完整故事"：人物一致性容易崩，物理规律会出错，长镜头接不上。当作素材、当空镜、做转场，能用；当正片，还差得远。
一个常见误区
很多人以为"多模态"是"一个全能大脑同时看听说"。
实际上多数产品是几个专门模型拼起来的：一个管看图，一个管听，一个管说话。所以你会遇到"它能看图但看不了视频""语音很好但文字一般"这种组合。
普通人怎么用
一句话：能看图、能听写、能配音，但都别当"精确工具"用。
看图提要点、语音转文字、文字转配音——这三件是现在就能放心用的。
逐字转录、精密识图、长视频生成——这三件还得人手兜底。
下一篇：AI 搜索和百度差在哪？连不联网，答案差多少。
