專欄・連載文章

AI 連圖像、影片、語音都能生成的時代,什麼是多模態 AI?

2026-04-05

封面圖片

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)

  1. 前往各網站。

  2. 點選右上角的 「Sign Up」 或 「Get Started」 按鈕。

  3. 以 Google 帳號或電子郵件註冊。

  4. 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:

  1. 核心產品名稱與主要功能

  2. 推估目標客群

  3. 價格資訊(如有)

  4. 我們可以做出差異化的 3 個重點

  5. 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。

本文提到的工具
ChatGPTRunwayElevenLabsGemini
您正在評估以此主題辦理企業內訓嗎?
📚 打造讓 AI 不出錯的工作框架 — 非開發職務適用 →📚 以 AI 代理人完成個人工作自動化實作 →全部培訓課程 →
← 專欄列表 洽詢企業內訓

專欄一覽

用 AI 製作簡報程式/NanumAI2026-11-02讓經銷商・合作夥伴站在我們這一邊的通路管理策略2026-08-09「萬一換了反而被罵怎麼辦」——如何掌握 B2B 採購承辦人的風險規避心理2026-07-11真正善用 AI 的人另有不同 — 關鍵不是提示詞,而是「交辦工作的能力」2026-07-03AI 時代擺脫苦工之路:用 Vibe Coding 在 2 週內整合分散的平台2026-07-02B2B 潛在客戶評分該如何設計?— 業務真正想要的 MQL 條件2026-06-15週報、會議紀錄、客戶郵件,交給 AI 處理,打造每天省下 2 小時的上班族日常2026-04-10選擇適合自己的 AI 付費方案:ChatGPT Plus vs Claude Pro vs Gemini Advanced 性價比完整比較2026-04-05AI 連圖像、影片、語音都能生成的時代,什麼是多模態 AI?2026-04-05打造專屬的 AI 工作助理:ChatGPT GPTs 與 Claude Projects 客製化設定完整指南2026-04-05AI「學習」是什麼意思?用上班族的角度看懂機器學習的核心2026-04-05B2B 業務人員專用提示詞範本 10 選:從開發信、提案書到會後紀錄2026-04-05AI 模型的「參數」與「Token」是什麼?用數字看懂 AI 效能的祕密2026-04-05提示工程入門:讓 AI 給出理想答案的 5 大核心原則2026-04-05角色賦予的技巧:為什麼為 AI 設定「角色」,產出結果就會不同2026-04-05從申請 OpenAI・Anthropic・Google API 金鑰到第一次呼叫,非開發人員也能跟著做的實戰指南2026-04-05AI 模型規模比較:GPT-4、Claude、Gemini、Llama… 差在哪裡、該用哪一個?2026-04-05一次比較測試 ChatGPT、Claude、Gemini 三大 AI 的工作空間設定方法2026-04-05從註冊 Claude 到 Pro 方案 200 美元的價值,完整設定指南2026-04-05讓 AI 分析資料:上傳 Excel・CSV 檔案後,擷取洞察的提示詞撰寫方法2026-04-05ChatGPT、Claude、Gemini Chrome 擴充功能與快捷鍵總整理:讓工作速度加倍的設定方法2026-04-05
查看全部專欄 →

常見問題

  • 分類:basic
  • 發布日期:2026-04-05
  • 作者:金鍾赫 · Nanum 經營顧問

什麼是多模態 AI?— 從文字走向生成圖像、語音與影片的時代 多模態(Multimodal)AI 是指能同時理解並生成文字、圖像、語音、影片等多種形式資料的人工智慧…

是的,Nanum 經營顧問開設與本文主題相關的客製化到府企業內訓與線上課程。我們會依學員對象與程度調整課程規劃。