First Look 整理 · 先认识
除了 CosyVoice，还有哪些各管一件事的模型？
把 AI 模型想成一队分工不同的帮手：有的负责说，有的负责听，有的负责看，还有的负责帮你找资料。 多模态 AI 是什么意思？ 什么是本地模型？和 DeepSeek、GPT 有什么不同？ AI 能读照片里的字吗？ 想做一张 AI 图片，从哪里开始？先想清楚自己要把什么变成什么，再选模型。
让文字开口说
CosyVoice
输入：讲稿输出：配音
适合视频旁白、数字人说话。它不是负责回答问题的聊天模型。
第一次做短视频，先准备哪三样？把声音听成字
SenseVoiceSmall、Whisper tiny/base
输入：录音输出：文字
适合会议记录、采访整理、字幕。方向和 CosyVoice 正好相反。
写字和想办法
Qwen3-0.6B、Qwen3-1.7B
输入：问题或草稿输出：回答、改写或摘要
像随身文字助手，但重要事实仍要核对。
看图再回答
Qwen3-VL-2B
输入：图片加问题输出：解释
适合问截图里有什么、图表大意是什么。
把图片里的字抄出来
PaddleOCR 的 PP-OCRv5_mobile
输入：票据、截图或扫描页输出：识别到的文字
它更像抄写员，不负责判断内容真假。
帮资料配“相似度索引”
BGE-small-zh-v1.5
输入：一句话