传媒行业研究报告：多模态AI的五重奏，国产大模型的探索序章.pdf

传媒行业研究报告：多模态AI的五重奏，国产大模型的探索序章。 为什么要探讨多模态？从大模型赋能企业发展的三种模式出发。我们认为大 模型的多模态迭代将直接影响下列三种模式的应用水平——1）大模型+原有 业务：常见于科技大厂，利用大模型提升传统业务的智能化程度，同时用传 统业务的庞大数据资源反哺大模型迭代。2）开源大模型+AI 产品：大量中小 开发者申请部署开源大模型去开发各自的 AI 产品，降低研发成本。3）垂类 模型+行业数据：适合拥有海量高质垂类数据的中大型企业，需要基于一个 通用大模型作为底座。这三种模式包罗各行各业的大中小企业、没有优劣之 分，会随着多模态 AI 的迭代不断碰撞出新的火花。

多模态方面，建议关注预计确定性较强的【文本】、后续期待值高的【视 频】、短期爆发力强的【音频】三大方向。1）文本：面对海外大模型的一超 多强，国产大模型在追赶中已探索出差异化优势。Kimi(月之暗面)和冒泡鸭 /MoE(阶跃星辰)在中文语义、长文本方面表现亮眼。预计下一阶段的文本差 异化竞争可能是用户的定制化竞争——基于在手用户的特征搜集，形成更深 的产品护城河。2）视频：Sora 尚未公测之际，国内厂商也交出有竞争力的答 卷。爱诗科技在发展早期就探索当前大火的 DiT 架构，其产品 PixVerse 在测 评表现中不输 Runway、Pika 等头部厂商。AI 生成视频已经可以希冀商业化 用途，进而衍生出对视频语料库和 IP、版权的强烈需求，拥有高质量视频语 料库的公司将具有竞争优势。3）音频：在 TTS、语音设计、SVC 三种产品 类型里，我们认为前两者的市场潜力更大，TTS 发展更成熟，特别是科技大 厂未来可能会与传统业务结合释放巨大潜力。语音设计技术难度更高，看好 Suno 的研发投入空间和后续迭代，长期有望改写音乐创作市场格局。SVC 更 工具化，OpenAI 发布的产品猜想会是一个中间形态，远期价值在于与 AI 视 频、或其他模态的结合。

【图片】发展趋于成熟，【3D】则处于萌芽期，两者都有望反哺 AI 视频。虽 然图片和视频都对素材训练要求极高，但是 AI 图片的产品/社区成熟度显著 高于视频，头部 AI 图片产品的用户访问量更趋稳定（榜单变化小）。目前风 格和角色一致性都有不错的进展，后续关注场景一致性若得以解决，或意味 着 AI 生图正式进入规模化商业进程，连带 AI 视频的一致性也可能受益并得 以突破。AI 生成 3D 模型目前仍处早期，精度不足限制商业化，长期看有望 助力 AI 视频和游戏、电影行业的发展。