← 返回 AI 通识课目录

AI 通识课 · 07

第 7 章：让 AI 看图、画图、做 PPT、转文字：多模态入门

这一页是课程原文，适合按章节连续阅读。

第 7 章：让 AI 看图、画图、做 PPT、转文字：多模态入门

多模态入门配图

这一章要让你

发现一件很多人到现在都不知道的事：AI 不只会打字。你可以拍张照片问它、丢个文件让它读、把会议录音甩给它转成文字，也可以一句话让它画张图。这一章带你把这几样最有体感的玩法各上手一遍，同时也把"它会看错、会画错、会泄露隐私"这几个坑提前讲明白。

先说个常见的场景

你收到一张合同照片，密密麻麻几页，你想知道"违约责任那条到底怎么说的"。老办法是逐字读，读完还不一定看懂。

换个做法：把这张照片拍下来，发给 AI，问它"这份合同里关于违约责任的条款，用大白话讲一遍，有没有对我不利的地方"。十几秒，它就把那段挑出来、翻译成人话给你了。

这就是这一章的核心体感——很多时候，拍张图、丢个文件给 AI，比你打一大段字去描述，要快得多、也讲得清楚得多。 但你先别急着把所有东西都往里丢，后面第七节会讲清楚哪些图、哪些文件不该随便喂给它。

一、什么是多模态：AI 不只会读文字

"模态"这个词听着唬人，其实就是"信息的形式"。文字是一种模态，图片是一种，声音是一种，视频也是一种。

早期的 AI 只认文字——你打字，它回字。多模态的意思就是：它现在还能"看"图、"听"声、"读"文件，也能反过来"画"图、"说"话。 输入和输出都不再只剩文字这一种形式了。

打个比方：以前的 AI 像个只能用文字跟你笔聊的人，你写什么它看什么；现在的 AI 像个能看你递过去的资料、能听你说话、还能给你画个草图的人。沟通的带宽一下子宽了。

对普通人来说，这是 AI 里最容易上手、最有用、也最少踩坑的一块——因为它贴近你每天真实在做的事：看东西、整理东西、把东西讲给别人听。下面四节，就是这四样具体怎么用。

二、看图：拍张照片或截图，直接问它

这是最该先练的一招。你手机里、电脑上随时能截到的图，都能直接发给 AI 问。给你几个真实场景：

  • 看合同、看条款：拍下合同照片，问"这段话什么意思，对我有没有风险"。
  • 看报错：电脑或软件弹了一串看不懂的英文错误，截图发给它，问"这是什么问题，我该怎么办"。
  • 看菜单、看说明书：在国外餐厅对着外文菜单拍一张，问"这些菜分别是什么，哪个不辣"；新买的家电说明书看不懂，拍下来问它。
  • 看表格图：手里有一张表格的照片或截图（不是 Excel 文件，就是一张图），让它"把这张表格整理成可以复制的文字表格"，省得你照着一格一格敲。
  • 看病历单、化验单：拍下来问"这几个指标里哪些不正常，分别是什么意思"——注意，这只是帮你看懂，不能替代医生诊断，这一点后面还会强调。

操作上没什么门槛：在对话框里点那个"上传图片"或回形针/相机图标，把图传上去，再用文字说清楚你想知道什么。关键是别只丢一张图就完事，要带上你的问题。 你问得越具体（"挑出违约责任那条"），它答得越准；你只发张图配一句"看看这个"，它就只能泛泛而谈。

⚠️ 避坑提醒：图里的数字、人名、金额、日期，它有可能看错或读串行——尤其手写体、模糊照片、复杂表格。它读出来的东西是初稿，关键信息你必须自己再核一遍原图。

三、画图和改图：一句话生成，再按反馈改

反过来，AI 也能"画"。普通人用得上的场景，不是搞艺术创作，而是这些实用活：

  • 海报、活动图：开业、促销、招聘，描述清楚要什么，让它出一版。
  • 公众号配图、文章插图：一篇文章配张示意图或封面。
  • 电商主图：产品图加背景、加文字、做成主图。
  • 头像、示意图：给自己做个头像，或者把一个流程画成示意图讲给别人听。

怎么让它画得像样？记住一个朴素的道理：你描述得越具体，它画得越接近你要的。 别只说"画个海报"，要说清楚四件事——画什么内容、什么风格、什么色调、用在什么场合。比如"画一张奶茶店夏季促销海报，清新风格，以橙黄色为主，留出顶部空白放标题文字"，就比"画个奶茶海报"强太多。

更重要的一招是多轮修改。第一版基本不会一次到位，这很正常。你要做的是像指挥一个设计师那样反馈："字太小了放大一点""背景换成浅蓝""左边那个图标去掉"。一轮轮改下去，越改越接近。第一版当草稿看，靠反馈往里逼，这是用好 AI 画图的真正手感。

⚠️ 避坑提醒：AI 画图有几个老毛病——字常常会写错或写成乱码（尤其中文），手指、文字、logo 这些细节容易崩。所以重要的文字（店名、价格、电话）别指望它写对，最好让它留白，你自己后期加上去。另外，海报上人名忌用红色，换橙色等强调色更稳妥。

四、做 PPT：先让 AI 出大纲，你负责排版

多数人对"AI 做 PPT"的期待，是一句话给一份能直接用的成品幻灯片。现实是：直接生成的成品样式往往很难看，改起来比自己做还费劲。

更好用的方法分两步：

第一步，让 AI 帮你出内容和结构，不是成品：

帮我出一份《XX》的 PPT 大纲，8 页以内。
每页给我：标题 + 3 个要点（每个要点一句话，不要长段落）。
最后一页给我一个总结句。

第二步，你把这份大纲贴进自己熟悉的 PPT 工具（PowerPoint / WPS / Google 幻灯片 / Keynote），套一个现成模板，十来分钟就能出一份能看的稿子——比等 AI 直接吐出一份"看着花哨但改不动"的成品，快得多。

⚠️ 就地提醒：PPT 里如果要放公司数据、客户名字、内部数字，先想一步"这份等下要给谁看、能不能公开"，别把不该外传的东西直接堆进去。

想再进一步——让 AI 直接生成可下载的 .pptx 文件、自动排版配色，那是第 13 章 Skill 里的进阶玩法（官方就有现成的 pptx 技能，装上即可用，详见 13-05）。这里先掌握"出大纲、自己排版"这个人人都用得上的版本。

五、文档与表格：把 PDF、Excel、长文档丢给它读

第二节说的是"图片"，这一节说的是"文件"——PDF、Word、Excel、长篇资料，可以直接上传让它读。这是上班族最省时间的用法：

  • PDF 总结：几十页的报告、白皮书、说明文档，丢进去问"这份文件讲了什么，给我列十条要点"。
  • 长文档提取：一份合同或制度文件，让它"把所有跟付款期限有关的条款挑出来"。
  • 表格分析：传一个 Excel，问"这几个月哪个月销售额最高""帮我算一下总和和平均"。
  • 多份资料对比：传两版方案，让它"列出这两版的主要区别"。

它能在几十秒内读完你要看半小时的东西，并且按你的要求挑重点。但这里有一条铁律：它给的总结是"导读"，不是"原文的替代品"。 凡是你要据此做决定、对外承诺、签字的内容——合同金额、付款日期、责任条款——必须回到原文逐字核对。它看错一个数字、漏掉一个"不"字，后果是你担。

⚠️ 避坑提醒：文件越长、越复杂，它越可能"读到后面忘了前面"或自动跳过一些内容。如果一份文件特别长，与其一次丢进去要总结，不如分段问、就具体问题问，结果更靠谱。

六、声音：录音转文字、文字转语音

这一块解决的是"动嘴比动手快"和"听比读方便"的场景：

  • 会议录音转文字：开了一个小时的会，录音丢进去，让它转成文字，再进一步"整理成会议纪要，按议题分段，标出待办事项和负责人"。一场会的纪要，从手敲半小时变成几分钟。
  • 采访、课程录音整理：把录音转成文字稿，再让它提炼重点。
  • 文字转语音、做口播稿：反过来，把一段文字让 AI 念出来，或者先让它把你的草稿改成适合口播的稿子，再转成语音。

转写很省事，但转出来的文字一定要扫一遍再用。专业术语、人名、公司名、数字，机器最容易听错；多人同时说话、口音重、背景吵，错得更多。把它当成"帮你把话先打成字"的初稿，你来校对和润色。

⚠️ 避坑提醒：会议、采访这类录音，往往涉及别人说的话和公司内部信息。在把录音传给某个 AI 工具之前，先想清楚：参会的人知道会被录音、被上传吗？这些内容算不算公司机密？ 这不是技术问题，是规矩问题，下一节专门讲。

七、多模态的边界：会看错、会画错、有隐私和版权风险

前面五节都在讲"它能干什么"，这一节必须泼盆冷水，讲"它的边界在哪"。这一节比前面任何一节都重要。

第一，它会看错、会画错。 这不是偶尔的 bug，是常态。它读图里的数字会读串，转录音会听错人名，画图会把字写成乱码。所以那句老话在多模态这里同样成立——AI 给你的图、转出来的文字，都是"初稿"，关键信息（数字、人名、条款、金额）必须自己核一遍。

第二，隐私风险。 你往 AI 里丢的东西，可能被用去训练、可能留在它的服务器上。所以这几类东西，喂之前要格外当心：

  • 客户资料、个人信息：身份证、银行卡、客户名单、联系方式。
  • 公司机密：内部财务、未公开的方案、合同细节。
  • 别人的隐私：含他人的合同、病历、聊天记录、会议录音。

一个朴素的判断标准：这份东西，你敢不敢截图发到一个公开的工作群里？ 不敢的话，喂给 AI 前就得先脱敏（把姓名、电话、卡号这些遮掉），或者干脆别用在线工具处理。

第三，版权风险。 这有两头：一头是输入——你把别人有版权的图、文章喂给 AI 去仿、去改，本身可能侵权；另一头是输出——AI 生成的图，它的版权归属、能不能商用，目前法律上还很模糊，各家工具规定也不一样。所以生成的图要用在商业场合（印刷、投放、上架卖货）之前，先去看清楚你用的那个工具的商用条款，别想当然。

记住这一节的总结：多模态让 AI 变得能看、能画、能听，门槛低、体感强，正因为好用，更要守住"核验关键信息 + 不乱喂敏感内容 + 商用先查版权"这三道闸。

关键表达

  • 很多时候，拍张图、丢个文件给 AI，比你打一大段字描述需求更快、更清楚。
  • AI 生成的图、转写的文字、文件总结，都是"初稿"，关键信息（数字、人名、条款、金额）必须自己核一遍。
  • 把别人的图、客户的资料、公司机密喂给 AI 前，先想清楚有没有隐私和版权问题——标准是"这东西你敢不敢发到公开群里"。
  • 让 AI 画图、生成内容，第一版当草稿，靠一轮轮反馈往你要的方向逼。

避坑提醒

  • 别只丢一张图、一个文件就配一句"看看这个"——一定带上你具体想知道什么。
  • 别指望 AI 把图里的字写对（尤其中文和价格电话），重要文字让它留白、你后期加。
  • 别拿它的文件总结去签字、做承诺——导读可以信方向，落到数字条款必须回原文核。
  • 别随手把客户资料、公司机密、含他人隐私的录音传给在线工具，先脱敏或换离线方案。
  • 别把生成的图直接拿去商用，先查清你用的那个工具的版权和商用条款。

课后任务

各做一次，并记录你都改了 AI 哪些地方（这一步比"做出来"更重要）：

  1. 看图：拍一张照片或截一张图（一张表格、一份说明、一段报错都行），让 AI 帮你解读或整理。比如把一张表格图变成可复制的文字表格，然后对着原图核一遍数字有没有错。
  2. 画图：用一句话描述需求，让 AI 生成一张图（海报、配图或示意图），看完第一版后，至少给它提三条具体的修改意见让它改一次，体会"靠反馈逼近"的手感。

衔接贯穿案例：还记得你从第 0 章就选定的那件"每周都要重复做的事"吗？这一章用它来想一个问题——这件事里，有没有哪一步是"看图 / 读文件 / 转录音"可以帮上忙的？ 比如你每周整理会议纪要，那录音转文字这一招就能直接砍掉大半工作量；你每周做促销图，那画图改图这一节就是为你准备的。把能用上的那一招，这周就真的用一次。

延伸观看 / 参考来源

想多看几个直观演示的，挑这几个（价格、型号、工具排名变化很快，一律以官网当前为准）：