TL;DR：纯文本 AI 已经不够用了。用户想「拍张图问问题」「用嘴说话发指令」。本文用 Python 实战多模态 AI 应用：图片理解（VLM）、语音转文字（ASR）、文字转语音（TTS），并组合成一个能听、能看、能说的 AI 助手。
1. 多模态能做什么
| 模态 | 能力 | 典型场景 |
|---|---|---|
| 文本 → 文本 | 对话、写作 | 客服、助手 |
| 图片 → 文本 | 看图说话 | 商品识别、文档 OCR |
| 语音 → 文本 | 语音输入 | 语音助手、字幕 |
| 文本 → 语音 | 语音播报 | 有声读物、无障碍 |
| 全模态 | 看 + 听 + 说 | 智能音箱、机器人 |
2. 图片理解（VLM）
2.1 用 GPT-4o 分析图片
Python - 图片理解
from openai import OpenAI import base64 client = OpenAI() def encode_image(image_path: str) -> str: """将图片转为 base64""" with open(image_path, "rb") as f: return base64.b64encode(f.read()).decode("utf-8") def analyze_image(image_path: str, question: str) -> str: """让 VLM 理解图片并回答问题""" base64_image = encode_image(image_path) response = client.chat.completions.create( model="gpt-4o", messages=[{ "role": "user", "content": [ {"type": "text", "text": question}, { "type": "image_url", "image_url": { "url": f"data:image/jpeg;base64,{base64_image}" } } ] }], max_tokens=500 ) return response.choices[0].message.content # 使用示例 result = analyze_image( "screenshot.png", "这张截图里有什么错误？请指出问题所在" ) print(result)2.2 用开源模型（Qwen-VL）
Python - 通义千问 VL
# pip install transformers torch from transformers import Qwen2VLForConditionalGeneration, AutoProcessor from PIL import Image import torch model = Qwen2VLForConditionalGeneration.from_pretrained( "Qwen/Qwen2-VL-7B-Instruct", torch_dtype=torch.bfloat16, device_map="auto" ) processor = AutoProcessor.from_pretrained("Qwen/Qwen2-VL-7B-Instruct") image = Image.open("screenshot.png") messages = [{ "role": "user", "content": [ {"type": "image"}, {"type": "text", "text": "描述这张图片的内容"} ] }] text = processor.apply_chat_template(messages, tokenize=False, add_generation_prompt=True) inputs = processor(text=[text], images=[image], return_tensors="pt").to("cuda") generated = model.generate(**inputs, max_new_tokens=256) response = processor.batch_decode( generated,skip_special_tokens=True )[0] print(response)3. 语音转文字（ASR）
3.1 用 Whisper 本地识别
Python - Whisper 语音识别
# pip install openai-whisper import whisper # 加载模型（base/small/medium/large） model = whisper.load_model("medium") # 识别音频 result = model.transcribe( "voice_input.mp3", language="zh", # 指定中文 task="transcribe" ) print(result["text"])3.2 用 API 版 Whisper（更快）
Python - OpenAI Audio API
from openai import OpenAI client = OpenAI() def speech_to_text(audio_path: str) -> str: """语音转文字""" with open(audio_path, "rb") as audio_file: transcript = client.audio.transcriptions.create( model="whisper-1", file=audio_file, language="zh" ) return transcript.text text = speech_to_text("voice_input.mp3") print(text)4. 文字转语音（TTS）
4.1 用 OpenAI TTS
Python - 文本转语音
from openai import OpenAI client = OpenAI() def text_to_speech(text: str, output_path: str = "output.mp3"): """文字转语音""" response = client.audio.speech.create( model="tts-1", voice="alloy", # alloy/echo/fable/onyx/nova/shimmer input=text ) response.stream_to_file(output_path) print(f"✅ 语音已保存到 {output_path}") text_to_speech("你好，我是你的 AI 助手", "greeting.mp3")4.2 用 Edge TTS（免费）
Python - Edge TTS
# pip install edge-tts import asyncio import edge_tts async def edge_speak(text: str, output: str): # 中文声音：zh-CN-XiaoxiaoNeural（女）/ zh-CN-YunxiNeural（男） communicate = edge_tts.Communicate(text, voice="zh-CN-XiaoxiaoNeural") await communicate.save(output) asyncio.run(edge_speak("你好，我是你的 AI 助手", "greeting.mp3"))5. 组合：全能 AI 助手
把看、听、说串起来，做一个多模态助手：
Python - 多模态 AI 助手
from openai import OpenAI import whisper import edge_tts import asyncio import base64 client = OpenAI() # 1. 听：语音转文字 asr_model = whisper.load_model("base") user_text = asr_model.transcribe("input.mp3")["text"] print(f"👂 用户说：{user_text}") # 2. 看：如果有图片，一并理解 messages = [{"role": "user", "content": user_text}] if image_path: with open(image_path, "rb") as f: img_b64 = base64.b64encode(f.read()).decode() messages[0]["content"] = [ {"type": "text", "text": user_text}, {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{img_b64}"}} ] # 3. 想：LLM 生成回答 response = client.chat.completions.create( model="gpt-4o", messages=messages ) answer = response.choices[0].message.content print(f"🤖 AI 说：{answer}") # 4. 说：文字转语音 async def speak(text): communicate = edge_tts.Communicate(text, voice="zh-CN-XiaoxiaoNeural") await communicate.save("answer.mp3") asyncio.run(speak(answer)) print("🔊 已生成语音回答")6. 实战场景
| 场景 | 用到模态 | 实现方案 |
|---|---|---|
| 拍照解题 | 图→文 | VLM 分析题目 + LLM 讲解 |
| 语音笔记 | 声→文 | Whisper 转写 + 总结 |
| 智能客服 | 声→文→声 | ASR + LLM + TTS |
| 无障碍阅读 | 文→声 | TTS 朗读长文 |
| 商品图搜索 | 图→文→向量 | VLM 描述 + Embedding 检索 |
7. 成本对比
| 能力 | 方案 | 成本 |
|---|---|---|
| 图片理解 | GPT-4o API | ~$0.01/张 |
| 图片理解 | Qwen-VL 本地 | GPU 成本，无调用费 |
| 语音识别 | Whisper API | ~$0.006/分钟 |
| 语音识别 | Whisper 本地 | 免费，需 GPU |
| 语音合成 | OpenAI TTS | ~$0.015/1000字 |
| 语音合成 | Edge TTS | 完全免费 |
实测建议：
- 快速开发 / 原型：全部用 API（GPT-4o + Whisper + TTS-1）
- 生产降本：图片/语音用开源本地模型（Qwen-VL + Whisper），TTS 用 Edge TTS（免费）
- 隐私要求高：全部本地部署（Qwen-VL + Whisper + Coqui TTS）
8. 常见问题
Q1：图片太大，API 报错怎么办？
压缩到 20MB 以内，分辨率建议 ≤ 2048px。用 PIL 处理：
Python - 图片压缩
from PIL import Image img = Image.open("large.png") img.thumbnail((2048, 2048)) # 等比缩放 img.save("compressed.jpg", quality=85)Q2：语音识别不准怎么办？
- 用 medium/large 模型（base 太小）
- 降噪处理音频
- 明确指定 language="zh"
Q3：TTS 声音太机械？
OpenAI TTS-1-HD 音质更好；Edge TTS 的 XiaoxiaoNeural 音色最自然（免费）。
9. 总结
多模态让 AI 从「打字机」变成「全能助手」：
- 看：VLM 理解图片（GPT-4o / Qwen-VL）
- 听：ASR 识别语音（Whisper）
- 说：TTS 合成语音（OpenAI / Edge TTS）
入门路径：先用 API 串起「看图 + 说话」最小闭环（GPT-4o + TTS-1），跑通后按需替换为本地开源模型降本。
如果对你有帮助，欢迎在评论区分享你的多模态 AI 应用。