傳媒行業研究報告：多模態AI的五重奏，國產大模型的探索序章.pdf

傳媒行業研究報告：多模態AI的五重奏，國產大模型的探索序章。 為什么要探討多模態？從大模型賦能企業發展的三種模式出發。我們認為大 模型的多模態迭代將直接影響下列三種模式的應用水平——1）大模型+原有 業務：常見于科技大廠，利用大模型提升傳統業務的智能化程度，同時用傳 統業務的龐大數據資源反哺大模型迭代。2）開源大模型+AI 產品：大量中小 開發者申請部署開源大模型去開發各自的 AI 產品，降低研發成本。3）垂類 模型+行業數據：適合擁有海量高質垂類數據的中大型企業，需要基于一個 通用大模型作為底座。這三種模式包羅各行各業的大中小企業、沒有優劣之 分，會隨著多模態 AI 的迭代不斷碰撞出新的火花。

多模態方面，建議關注預計確定性較強的【文本】、后續期待值高的【視 頻】、短期爆發力強的【音頻】三大方向。1）文本：面對海外大模型的一超 多強，國產大模型在追趕中已探索出差異化優勢。Kimi(月之暗面)和冒泡鴨 /MoE(階躍星辰)在中文語義、長文本方面表現亮眼。預計下一階段的文本差 異化競爭可能是用戶的定制化競爭——基于在手用戶的特征搜集，形成更深 的產品護城河。2）視頻：Sora 尚未公測之際，國內廠商也交出有競爭力的答 卷。愛詩科技在發展早期就探索當前大火的 DiT 架構，其產品 PixVerse 在測 評表現中不輸 Runway、Pika 等頭部廠商。AI 生成視頻已經可以希冀商業化 用途，進而衍生出對視頻語料庫和 IP、版權的強烈需求，擁有高質量視頻語 料庫的公司將具有競爭優勢。3）音頻：在 TTS、語音設計、SVC 三種產品 類型里，我們認為前兩者的市場潛力更大，TTS 發展更成熟，特別是科技大 廠未來可能會與傳統業務結合釋放巨大潛力。語音設計技術難度更高，看好 Suno 的研發投入空間和后續迭代，長期有望改寫音樂創作市場格局。SVC 更 工具化，OpenAI 發布的產品猜想會是一個中間形態，遠期價值在于與 AI 視 頻、或其他模態的結合。

【圖片】發展趨于成熟，【3D】則處于萌芽期，兩者都有望反哺 AI 視頻。雖 然圖片和視頻都對素材訓練要求極高，但是 AI 圖片的產品/社區成熟度顯著 高于視頻，頭部 AI 圖片產品的用戶訪問量更趨穩定（榜單變化小）。目前風 格和角色一致性都有不錯的進展，后續關注場景一致性若得以解決，或意味 著 AI 生圖正式進入規?；虡I進程，連帶 AI 視頻的一致性也可能受益并得 以突破。AI 生成 3D 模型目前仍處早期，精度不足限制商業化，長期看有望 助力 AI 視頻和游戲、電影行業的發展。