
什麼是多模態 AI?— 從文字延伸到圖片、語音、影片創作的時代
多模態(Multimodal)AI 是指能同時理解並生成文字、圖片、語音、影片等多種形式資料的人工智慧。過去只能做到「文字 → 文字」,如今只要一段文字,就能繪製圖片、生成語音,甚至製作影片。
本指南將帶領 B2B 業務人員與上班族,逐步實作 4 種今天就能用在工作上的多模態 AI 工具。
開始之前 — 準備所需工具與帳號
事先備妥下列工具,實作過程會更順暢。
應用領域 | 工具 | 成本 | 註冊會員 |
|---|---|---|---|
圖像生成 | ChatGPT (GPT-4o, DALL·E 3) | 免費/Plus US$20 | openai.com |
生成語音 | ElevenLabs | 免費 10,000 字元/月 | elevenlabs.io |
影片生成 | Runway Gen-3 | 免費額度 125 秒 | runwayml.com |
整合式多模態 | Google Gemini | 免費 | gemini.google.com |
帳號建立方式(通用)
前往各網站。
點選右上角的 「Sign Up」 或 「Get Started」 按鈕。
以 Google 帳號或電子郵件註冊。
完成電子郵件驗證後即可立即使用。
💡 實用小技巧:使用公司電子郵件註冊,之後與團隊共享時管理起來更方便。光是免費方案,就能完成本指南中的所有實作練習。
實作第 1 步 — 用 AI 製作提案書圖片(ChatGPT + DALL·E 3)
工作情境
B2B 業務人員需要為寄給客戶的提案書準備客製化插圖。委託設計師要 3 天,使用 AI 只需 30 秒。
Before / After 對照
項目 | Before(傳統方式) | After(多模態 AI) |
|---|---|---|
所需時間 | 委託設計師後 2~3 天 | 30 秒至 2 分鐘 |
成本 | 每件 KRW 50,000 (≈ US$37)〜150,000 | 每月 $20(無限使用) |
修改次數 | 2~3 次(另計費用) | 可立即無限次修改 |
客製化程度 | 可能出現溝通誤差 | 以提示詞精準下達指令 |
操作方法
步驟 1:登入 ChatGPT
在瀏覽器中前往
chat.openai.com。登入後會出現主要聊天畫面。
步驟 2:確認模型
畫面上方中央會顯示模型名稱。
確認已選取 **「GPT-4o」**。(可點選變更)
步驟 3:輸入圖片生成提示詞
將下方提示詞複製並貼到底部的訊息輸入欄中。
提示詞範例 1 — 提案書封面圖片:
「請幫我製作介紹 B2B SaaS 解決方案的提案書封面圖片。以簡潔的藍色調商業插畫呈現,構圖是多棟企業大樓與雲端伺服器相連。請不要放文字,比例為 16:9。」
第 4 步:確認結果並修改
約 15~30 秒後即會生成圖片。
若不滿意,請再輸入具體的修改要求。
例:「把背景色改成更深的海軍藍」、「把建築物換成人們協作的場景」
步驟 5:下載
點選生成的圖片。
點選右上角的**下載圖示(↓)**。
將以 PNG 檔案儲存。
提示詞範例 2 — 資料視覺化資訊圖表:
「請幫我製作一張資訊圖表,呈現導入我們公司解決方案前後的比較。左側是『導入前:人工作業、錯誤率 30%、處理時間 8 小時』,右側是『導入後:自動化、錯誤率 2%、處理時間 30 分鐘』。請搭配箭頭與圖示,做成簡潔的商務風格。」
💡 實戰小技巧:生成圖像時,明確指示 **「不要放入文字」**,就能避免文字變形的問題。需要的文字,直接在 PowerPoint 中加上去會乾淨得多。
實作第 2 步 — 用 AI 製作簡報旁白語音(ElevenLabs)
工作情境
您想為寄給遠端客戶的影片提案加入專業旁白。聘請配音員既花錢又費時,但使用 AI 語音,5 分鐘內就能完成。
Before / After 對照
項目 | Before | After |
|---|---|---|
洽請配音員 + 錄音 | 1〜2 週,KRW 300,000 (≈ US$225)〜1,000,000 | 5 分鐘,免費~每月 $5 |
編輯 | 需要重新錄音 | 只要修改文字,即可立即套用 |
多語言 | 各語言需另外洽請配音員 | 立即切換 29 種語言 |
操作方法
第 1 步:進入 ElevenLabs
在瀏覽器中前往
elevenlabs.io。登入後會顯示儀表板。
步驟 2:進入語音合成選單
點選左側邊欄的**「Text to Speech」**。
或點選上方選單的 「Speech」 分頁。
步驟 3:選擇語音
點選畫面上方的 「Voice」 下拉選單。
推薦語音:商務用途適合選擇 「Daniel」(男聲,沉穩語調)或 「Rachel」(女聲,專業語調)。
若要選擇支援 **「韓語」** 的語音,請在搜尋欄輸入「Korean」。
步驟 4:輸入旁白文字
將旁白稿貼到中央的大型文字輸入框中。
提示詞範例 3 — 提案書旁白稿:
「您好,我們是 ABC Solutions。今天要向您介紹的智慧工作流程系統,能為貴公司的作業流程帶來革命性的改善。導入企業的平均作業處理時間縮短了 67%,更有每年節省約 2 億韓元人事成本的案例。接下來的 3 分鐘,將為您說明核心功能。」
第 5 步:細部設定
Stability 滑桿:往右調整會更穩定、語調一致;往左調整則情感表達更豐富。商務用途建議設在 **70~80%**。
Clarity + Similarity Enhancement:維持預設值(75%)。
步驟 6:生成與下載
點選底部的 「Generate」 按鈕。
約 10〜20 秒後即會生成語音。
先按播放鍵(▶)試聽,滿意後點選**下載圖示(↓)**,存成 MP3。
💡 實用小技巧:在句子之間適當加入逗號(,)或句號(。),語氣會更有自然的呼吸感。在想強調的詞前面加上 「...」(刪節號),就能製造短暫停頓的效果。例:「每年約…… 2 億韓元的人事成本都被節省下來了。」
實作第 3 步 — 用 AI 製作短版宣傳影片(Runway Gen-3)
工作情境
您需要為新產品上市通知電子郵件附上一段 5 秒的動態圖形影片。即使不具備影片剪輯技能,只靠文字也能完成。
Before / After 對照
項目 | Before | After |
|---|---|---|
外包影片製作 | 1~4 週,KRW 1,000,000 (≈ US$750)~5,000,000 | 2 分鐘,運用免費額度 |
要求修改 | 回饋循環 3〜5 次 | 修改提示詞後立即重新生成 |
簡單短片製作 | 需要學習 After Effects | 只需輸入文字即可完成 |
操作方法
步驟 1:前往 Runway
在瀏覽器中開啟
runwayml.com。登入後會出現 **「Dashboard」**。
步驟 2:建立新專案
點選左側選單的 「Generate Videos」,或主畫面的 **「Text/Image to Video」**。
確認已選取 **「Gen-3 Alpha Turbo」**(最新模型)。
步驟 3:以文字生成影片
在 「Text Prompt」 輸入框中輸入影片描述。
提示詞範例 4 — 產品宣傳短片:
"A sleek modern office environment. A holographic dashboard floats above a desk, showing real-time analytics and graphs. Blue and white color scheme. Camera slowly zooms in. Professional, futuristic atmosphere. Cinematic lighting."
備註:Runway 目前在英文提示詞下能提供最佳效果。
步驟 4:調整設定
Duration:選擇 5 秒或 10 秒。(為節省免費點數,建議選 5 秒)
Resolution:維持預設的 720p。
步驟 5:生成
點選「Generate」按鈕。
約 1~3 分鐘後即會生成影片。
預覽確認後,按下「Download」按鈕,即可存成 MP4。
步驟 6:以圖像生成影片(進階)
也可以使用實作步驟 1 所製作的圖片。
點選 「Image to Video」 分頁。
將用 DALL·E 3 製作的圖片以拖曳方式上傳。
在提示詞中描述想要的動態:「Slow camera pan to the right, subtle particle effects floating」
點選 **「Generate」** 後,靜態圖片就會變成自然流動的影片。
💡 實戰小技巧:如果英文提示詞對您來說有困難,可以先請 ChatGPT 協助:*「請將下列場景改寫成 Runway AI 影片生成用的英文提示詞:現代化辦公室中,資料以全像投影方式浮現」*。這樣就能取得經過優化的英文提示詞。
實作第 4 步 — 用 Google Gemini 進行多模態分析(圖像 → 文字)
工作情境
您想把競爭對手的產品型錄照片、在展覽會場拍的攤位照片、客戶傳來的現場照片交給 AI,並立即取得分析報告。
Before / After 對照
項目 | Before | After |
|---|---|---|
競爭對手型錄分析 | 人工閱讀與整理 2 小時 | 上傳 1 張照片 → 3 分鐘 |
撰寫現場照片報告 | 對著照片親手打字 1 小時 | AI 分析照片後自動產出報告,僅需 5 分鐘 |
操作方法
步驟 1:前往 Gemini
在瀏覽器中開啟
gemini.google.com。以 Google 帳號登入。
步驟 2:上傳圖片
點選聊天輸入框左側的 「+」 圖示或 **圖片圖示(🖼️)**。
選擇想要分析的圖片。(競爭對手的型錄照片、名片照片、現場照片等)
步驟 3:輸入分析提示詞
附上圖片後,輸入文字提示詞。
提示詞範例 5 — 競爭對手型錄分析:
「這張圖片是競爭對手的產品型錄。請依下列項目進行分析:
核心產品名稱與主要功能
推估目標客群
價格資訊(如有)
我們可以做出差異化的 3 個重點
這份型錄的行銷策略分析
請整理成表格。」
提示詞範例 6 — 展覽現場照片報告:
「這張照片是我今天參觀的 IT 展覽會攤位照片。請根據這張照片,撰寫一份要呈報給主管的出差報告。分析攤位上看得到的產品、技術關鍵字與市場趨勢,並歸納對我們事業的啟示。」
第 4 步:運用成果
Gemini 會分析圖片中的文字、版面配置乃至設計元素,並撰寫成報告。
結果可直接複製,貼到電子郵件、報告或 Slack 訊息中。
💡 實用小技巧:拍下名片照片上傳,並輸入 *「請將這張名片的資訊整理成可匯入 CRM 的 CSV 格式」*,就能快速將展覽會上收到的數十張名片數位化。
實作 5 步驟 — 整合 4 種工具的完整工作流程
將目前學到的工具串連成 一個完整的工作流程,才能發揮真正的威力。
情境:製作新客戶提案簡報
順序 | 操作 | 工具 | 所需時間 |
|---|---|---|---|
1 | 撰寫提案書內容並建立結構 | ChatGPT(文字) | 15 分鐘 |
2 | 依各張投影片生成 5 張客製化圖像 | ChatGPT + DALL·E 3 | 10 分鐘 |
3 | 擷取客戶官網畫面 → AI 分析 → 產出客製化訊息 | Gemini(圖片→文字) | 5 分鐘 |
4 | 為重點頁面製作 30 秒動態影片 | Runway Gen-3 | 5 分鐘 |
5 | 生成整份簡報的旁白語音 | ElevenLabs | 10 分鐘 |
合計 | 45 分鐘 |
如果用傳統方式呢?
委託設計師製作圖像:3 天
外包影片短片:1 週
配音員錄音:3 天
合計耗時:1〜2 週,費用 KRW 2,000,000 (≈ US$1,500)〜5,000,000
分步驟執行
步驟 1:在 ChatGPT 中擬定提案書的架構。
「請幫我規劃一份 10 頁的 B2B SaaS 提案書。客戶是中型製造業者,我們的產品是生產管理自動化解決方案」
Step 2:使用 DALL·E 3 生成符合各張投影片概念的圖片。
第 1 頁封面、第 3 頁提出問題、第 5 頁介紹解決方案、第 7 頁成果案例、第 10 頁結語
步驟 3:擷取客戶企業的網站畫面上傳至 Gemini,分析客戶企業的 Pain Point(痛點)。
步驟 4:用 Runway 將解決方案的展示場景製作成 5 秒短片,插入第 5 頁。
Step 5: 以 ElevenLabs 生成完整旁白,並將其作為每張投影片的音訊插入簡報。
在 PowerPoint 中選取各張投影片 → 插入 → 音訊 → 我的電腦上的音訊 → 選擇 MP3 檔案
使用多模態 AI 的注意事項
⚠️ 務必確認的事項
著作權:AI 生成圖片的著作權政策依工具而異。作商業用途前,請先確認各服務的使用條款。
ChatGPT/DALL·E 3:付費方案用戶可作商業用途
Runway:付費方案可商業使用
ElevenLabs:付費方案可用於商業用途
正確性查核:AI 生成圖片中的文字、數字、標誌等,務必由人工審核。
機密資訊:將客戶機密資訊或內部策略文件上傳至外部 AI 時,請務必確認公司資安政策。
揭露義務:某些情況下必須註明內容由 AI 生成。請確認公司內部的 AI 使用指引。
結語 — 明天就能開始的 3 個行動
這是讓您明天就能把今天所學直接用在工作上的最低限度行動清單。
行動 1:今天(5 分鐘)
請登入 ChatGPT,製作一張提案書封面圖片。
直接複製上方的提示詞範例 1 使用即可。
行動 2:本週內(30 分鐘)
請註冊 ElevenLabs,並為目前進行中的提案書製作 1 則摘要旁白。
60 秒的長度就足夠了。
行動 3:本月內(2 小時)
請將 **整合工作流程(5 個步驟)** 套用到實際客戶會議用的提案書,完成多模態簡報。
重點摘要檢核表
已理解多模態 AI 的概念(文字↔圖像↔語音↔影片)
能夠用 ChatGPT 生成商務用圖片
可以用 ElevenLabs 製作旁白語音
可使用 Runway 製作短影片片段
可以用 Gemini 分析圖片並撰寫報告
能夠執行結合 4 種工具的整合工作流程
多模態 AI 已不再是技術專家的專利。只要會輸入文字,任何人都能製作圖片、語音與影片。請從今天實作的內容中,挑一項用在明天的工作上。小小的開始,將帶來工作方式的大幅改變。