2026-7-24 AI可以做些什么

 2016从野生程序员到全栈，到AI，新增了不少技能。

只说遇到的一些有些难的技能。

文本

文本OCR在当前已经不是问题，即便是公式、图表混合，借助现有的开源工具或API都可以达到90%以上的准确度。问题在于图片扭曲需要校核，或者黑白图转彩色。

图片

国外国内图片生成大都是免费的，毕竟单张图片消耗的算力可以忽略不计（视频）。最近一段时间GPT、Gimini文生图的质量大打折扣，反而不及Grok和Qwen。

图片识别的Vsion，目前deepseek还没有开放API，Qwen一时半会也不想接入它的API。

这就导致CAD图形的识别转换有点卡壳。

音频

主要是语音克隆，如果没有太高要求，微软的tts也可以用。机器音终究不是很好听。

至于音乐生成，这在gemini也是免费的，不过暂时也用不到。

视频

（1）纯舞蹈，Seedanc很好，也很贵，所以普通用户要没有强大的变现渠道，大概率会入不敷出。

（2）数字人，语音驱动口型始终没能很好的解决，ComfyUI又相关的流程，但是G卡没有，算力还是有些吃不消。

（3）纯文字，hyperframe、remotion挺好的，也能做到VVT对齐，知识密度也足够，但是当前社会在，传播知识本身就限制了流量。

（4）视频字幕处理，英文转中文，中文转英文，就牵扯到VVT对齐和语义损失，孙火旺的语音就不好克隆。

应用场景很多，信息查也足够大，但是如何变现就是个很大的问题。