办公里的信息从来不只有文字。截图、商品图、会议录音、产品视频、竞品海报——这些占了日常材料的一半以上，但大部分 AI 工具对它们无能为力，你只能自己先看一遍、再转成文字喂进去。
千问办公在多模态这块给了两套能力：读得懂（理解图片、音频、视频、网页链接）和生得出（海报、短视频、配音、音乐）。这两件事在同一个任务里能串起来用，才是它和”生成器 + 聊天机器人”拼盘方案的区别。
一、读得懂：哪些材料能直接丢给它
官方描述是具备图片、音频、视频等全模态识别能力，可以处理截图、商品图、会议资料等，提取关键信息。
实际能覆盖的输入：
| 输入类型 | 能做什么 | 典型场景 |
| 图片 / 截图 | 提取文字、识别图表、理解界面 | 竞品截图转结构化信息 |
| PDF / 扫描件 | 版面理解、要点提取 | 合同、论文、报告 |
| 音频 | 转写、要点提炼 | 会议录音、访谈 |
| 视频 | 内容理解、片段提取 | 培训录像、竞品视频 |
| 网页链接 | 读取并总结 | 竞品页、行业文章 |
截图分析是被低估的一个场景。 比如把竞品的活动页截图丢给它，让它提取”主推商品、价格锚点、优惠机制、文案套路”四项，输出成对比表——这类活人做要半小时，它几分钟就能出，而且不会漏。
会议音频也是高频用法：录完直接丢进去，出带时间戳的纪要和待办清单。
二、生得出：素材一条龙
生成侧集成了多个 AI 生成模型，在同一个任务内可以一次产出文案、海报、短视频与配音。
这意味着一个营销物料的完整链路可以在一个对话里跑完：
1. 文案：先出一版活动文案，你确认方向
2. 海报：基于文案生成配套海报（可指定风格、配色、尺寸）
3. 短视频：把海报和文案串成短视频素材
4. 配音：配上配音和背景音乐
对市场部、培训岗来说，这套组合最现实的价值是初稿——不是终稿。AI 出的东西需要人工把关，但从”零”到”可修改的初稿”这一步，过去可能要两三天，现在可能两三个小时。
三、桌面端的独特优势：本地视频直接处理
如果你装了桌面客户端，多模态这块还多一个能力：直接读取本地磁盘的视频文件进行处理，不用先上传。
对几十兆甚至上 G 的素材来说，这一条是刚需——上传耗时不说，把原始素材传到云上，很多公司本身就过不了合规。桌面端处理完一键存回原路径，全程文件没离开本机。
（提醒一次老问题：任务执行期间别改文件名和路径，会丢上下文。）
四、三个提效的实际做法
做法一：先理解，再生成。 别上来就说”做个海报”。先把参考材料（竞品图、品牌规范、往期物料）丢给它，让它总结风格和套路，再基于这个理解生成。有参考的生成和凭空生成的差距非常大。
做法二：多模态联合提问。 它的能力里明确包含”图文混合问答””音视频内容分析””文档 + 图像联合分析”这类复杂交互。所以可以这样问：
> 结合这份 PDF 里的产品定位，和这三张竞品海报的视觉风格，给我出一版符合我们调性的主视觉方案。
做法三：分阶段确认。 素材生成的返工成本不低（尤其是视频）。按”文案 → 分镜 → 生成 → 配音”分阶段确认，比一次性梭哈省钱。
五、边界与坑
生成质量不等于成品质量。 海报的字体版权、视频的素材授权、配音的品牌调性，这些都要人工过一遍。AI 出的是初稿，不是终稿。
积分消耗不低。 多模态生成属于重任务区。前面几篇反复提到过一个数据：一次网页设计任务约 220 积分，一份 12 页财报 PPT 约 1000 积分。视频和多模态生成的量级通常也在几百积分这个档。免费用户每天 100 积分的额度，跑一次重任务就用掉好几天所得。
识别图片和文档会扣积分，会员也一样。 有个容易踩的认知误区：付费会员调用”经济”档模型做纯文本推理不限次数，但识别图片和文档、联网搜索、总结网页这些任务，照样消耗积分。
出错重跑按次烧分。 生成类任务如果失败，积分照样扣。所以复杂素材建议先用简单版本跑通，再上完整需求。
六、四个岗位怎么用多模态
多模态不是”多了个功能”，而是不同岗位能各取所需。举四个具体场景：
HR：简历与面试。 把一批简历 PDF 丢进去，让它们按岗位要求的结构化维度提取（年限、技能、项目经历），输出成对比表；面试录音转写后提炼关键回答，比人工回听快得多。
市场：竞品与素材。 竞品的活动页截图批量分析，提取价格锚点、优惠机制、文案套路；配合生成能力，直接产出自己版本的物料初稿。这是”理解 + 生成”串起来用最顺的场景。
培训：课件与录像。 培训录像丢进去出纪要和知识点清单，再让它基于纪要生成课件 PPT 和测验题，一套内容复用成三种形态。
销售：客户材料。 客户发来的产品图、需求截图、会议录音，统一转成结构化的需求清单，直接进 CRM 或跟进表。
这四类场景的共同点是：输入是非结构化的（图、音、视频），输出是结构化的（表、文档、清单）。这正是多模态能力最扎实的用法——不是让它当设计师，而是让它当”材料预处理员”。
反过来，如果你期待的是”直接产出能上线的高质量成品”，现阶段大概率会失望。把它定位在”把八十分的活做到六十分、把两小时的事压到十分钟”，预期就对了。
七、一句话总结
多模态这块真正的价值不是”能生成海报”，而是理解和生成能在同一个任务里串起来——先读懂竞品材料，再产出自己的物料，中间不用人工转述。这一条打通了，市场和内容岗的初稿效率会有量级变化。