人工智能常用工具学习（五）

theperson1

473人浏览 · 2026-09-06 08:53:41

theperson1 · 2026-09-06 08:53:41 发布

第4章工具详解与使用指南（2/3）· 图像/视频/语音/编程类

本章摘要：本章系统讲解图像生成、图像识别（CV）、视频生成与处理、语音处理、编程辅助五类 AI 工具。图像侧覆盖 Midjourney v7、FLUX/Stable Diffusion、即梦/通义万相/豆包图像；CV 侧介绍百度智能云、Google Vision、阿里云视觉的 API 能力；视频侧涵盖 Sora、Veo 3、可灵、即梦与剪映；语音侧包括科大讯飞、Whisper、ElevenLabs；编程侧讲解 GitHub Copilot、Cursor、通义灵码与 Claude Code。每类均给出工具介绍、使用方法、常见问题，并附 8 个可直接照做的操作示例与选型小结，帮助读者按需快速选型并上手实操。

本章基于 2026年8月 主流工具版本整理，覆盖图像生成、图像识别（计算机视觉）、视频生成与处理、语音处理、编程辅助五类工具。本章所有示例均可在对应平台上实操跟做，建议边读边动手。

学习目标

读完本章，你应该能够：

说出 Midjourney v7、FLUX/Stable Diffusion、即梦/通义万相/豆包图像 各自适合什么场景、怎么选。
理解 图像识别（CV）类 平台（百度智能云、Google Vision、阿里云视觉）能帮企业做什么（OCR、物体检测、内容审核）。
会用 Sora/Veo 3/可灵/即梦/剪映 中的至少一款做视频，并用剪映完成「图文成片」。
会用 科大讯飞听见、Whisper、ElevenLabs 完成会议转写与配音。
在 VS Code / Cursor / Claude Code / 通义灵码 中完成一次 AI 编程辅助，并知道常见问题的排查办法。
面对一个具体需求（做图、剪视频、转写、写代码），能快速选出最合适的工具组合。

正文讲解

本章统一展开结构：一、工具介绍（核心功能 / 适用场景 / 优势对比）+ 二、使用方法（注册获取 / 基础步骤 / 高级功能示例 / 常见问题 FAQ）。

4.2 图像生成类

4.2.1 Midjourney（v7）

一、工具介绍

核心功能：基于 v7 模型的文生图（text-to-image）。通过 Discord 或官网（midjourney.com）使用，输入一句话描述，AI 生成 4 张候选图。艺术风格、质感、光影审美在业内顶尖。
适用场景：创意视觉、插画、概念图、海报草图、头像、产品灵感图。

优势对比：

维度	Midjourney v7	对比
出图审美	极强，艺术感好	优于多数开源/国内工具
可控性	中等（靠提示词与参数）	弱于 FLUX + ControlNet
文本排版	弱，图中文字常错	不适合做带字海报
价格	订阅制，无免费档	高于国内免费工具
中文提示	可用，但中英混合更稳	建议关键描述用英文
二、使用方法

注册获取：访问 midjourney.com 注册，或在 Discord 加入 Midjourney 服务器；订阅后解锁出图额度。
基础步骤：
1. 在官网或 Discord 输入框键入 /imagine；
2. 在 prompt: 后写描述，可加 --参数；
3. 等待约 30–60 秒生成 4 张图；
4. 用按钮操作：❤️ 收藏、U1–U4（放大单张）、V1–V4（以某张做变体）、🔄 重绘（reroll）。
高级功能示例（参数说明）：
- --ar 16:9：设置画面比例（aspect ratio），如横屏视频封面；
- --s 750：风格化强度（stylize，0–1000），越高越「艺术化」；
- --v 7：指定版本（默认即 v7）；
- --style raw：减少 AI「美化」，更贴近真实/原始描述；
- --cref 图片URL：用参考图保持角色一致性（character reference）。
常见问题 FAQ：
- Q：中文提示词能用吗？A：能，但建议中英混合（如「a cute cat, 中国风, ink painting」），关键名词用英文更准。
- Q：能商用吗？A：较高档订阅支持商用，务必查订阅条款；图片版权归属依你的订阅等级而定。
- Q：图里文字总是错？A：Midjourney 不擅长排版文字，需文字的海报建议用即梦/通义万相或后期 PS 加字。

4.2.2 Stable Diffusion / FLUX（开源生图）

一、工具介绍

核心功能：开源可本地部署的文生图生态。经典 Stable Diffusion（含 SDXL、SD3），2024 起 Black Forest Labs 的 FLUX 成为开源画质新标杆（FLUX.1-dev 画质最佳）。
适用场景：需要私有化、批量、可定制的工作流——电商批量主图、固定画风的品牌素材、科研/涉密不出域场景。

优势对比：

维度	FLUX / Stable Diffusion	对比
可控性	最高（ControlNet/LoRA）	强于 Midjourney
数据隐私	可完全本地，数据不出域	强于云端工具
成本	免费（自部署）	优于付费订阅
上手门槛	高，需显卡/部署	高于网页工具
画质	FLUX.1-dev 接近商业级	优于 SD1.5

二、使用方法

注册获取：本地用 ComfyUI / WebUI（AUTOMATIC1111） 部署；或用云端（Replicate、硅基流动、阿里云 PAI）免部署直接调用。
基础步骤：安装 WebUI/ComfyUI → 填「正向提示词」（想要什么）+「负向提示词」（不要什么）→ 设采样器/步数/尺寸 → 点 Generate 出图。
高级功能示例：训练 LoRA 固定人物/风格；用 ControlNet 控制姿态/构图；通过 API 批量生成。
常见问题 FAQ：
- Q：显存不足？A：用 SD1.5 或量化版，或改用云端 FLUX；本地建议 8GB 显存以上跑 FLUX.
- Q：追求画质选哪个？A：优先 FLUX.1-dev；轻量快速选 FLUX.1-schnell。

4.2.3 国内图像生成（即梦 / 通义万相 / 豆包图像）

介绍：中文提示词友好、国内访问便利、多在 App 内免费。即梦（字节）、通义万相（阿里）、豆包图像适合电商主图、头像、海报。
使用：对应 App/网页直接「文生图 / 图生图」，支持中文描述与风格模板。
对比：审美弱于 Midjourney，但零门槛、可商用友好、速度快，是中文用户的首选入门。

4.3 图像识别与计算机视觉（CV 类）

4.3.1 平台型视觉服务（百度智能云 / Google Cloud Vision / 阿里云视觉智能）

一、工具介绍

核心功能：提供 OCR（文字识别）、人脸识别、物体检测、图像分类、内容审核等 API。本质上是一组「看懂图片」的能力，供开发者接入自己的系统。
适用场景：企业票据识别、合同/证件扫描入库、产线瑕疵检测、安防、内容合规审核、无障碍读屏。

优势对比：

平台	长板	典型场景
百度智能云	中文 OCR 强、文档全	发票/证件/文档识别
Google Vision	国际通用、标签丰富	跨境、多语言图像理解
阿里云视觉智能	电商/工业模板多	商品检测、工业质检

二、使用方法（以百度智能云为例）

注册获取：登录 ai.baidu.com → 控制台创建「文字识别 / 图像识别」应用 → 获取 API Key / Secret Key。
基础步骤：调用 REST API 或 SDK（Python/Java）→ 上传图片 → 解析返回 JSON（识别出的文字/标签/坐标框）。
高级功能示例：用 OCR 批量提取发票字段入库；用「物体检测」做产线瑕疵筛查。
常见问题 FAQ：
- Q：免费额度？A：各家均有有限免费额度，超量计费；涉密数据选私有化部署。
- Q：识别不准？A：准确率受图像质量影响，需先做去噪/裁剪等预处理，并选对应专用模型。

4.4 视频生成与处理类

4.4.1 Sora（OpenAI）/ Veo 3（Google）

一、工具介绍

核心功能：文生视频（text-to-video）标杆。Sora 擅长物理一致性与长镜头；Veo 3（2026）支持生成带同步音频/对白的高保真视频，集成于 Google Flow filmmaking 工具。
适用场景：广告片、创意短片、故事板、概念预告。
优势对比：国际最先进，但长/分辨率受限、按额度计费、国内访问需合规网络。

二、使用方法

注册获取：Sora 在 ChatGPT / 专用入口（部分地区）；Veo 3 在 Gemini / Google Flow；均需订阅或等待开放。
基础步骤：输入描述文案（含镜头、主体、风格）→ 选时长/比例 → 生成 → 下载或二次剪辑。
常见问题 FAQ：
- Q：国内能用吗？A：需合规网络；商用注意肖像权与版权。
- Q：时长受限？A：受额度与模型上限限制，长片建议分段生成再拼接。

4.4.2 国内视频生成（可灵 / 即梦视频）

介绍：可灵（快手）、即梦视频（字节）中文友好、门槛低、可图生视频；适合短视频、营销、教学。
使用：对应 App/网页上传参考图或输入文案 → 选时长/比例 → 生成 → 剪辑导出。

4.4.3 剪映（CapCut）

一、工具介绍

核心功能：AI 剪辑标杆——自动字幕、智能抠像、文案成片、AI 配音、数字人。
适用场景：自媒体短视频、教学视频、企业宣传快速出片。
优势对比：零门槛、模板多、中文优化好，是新手做视频的首选。

二、使用方法

注册获取：下载剪映（PC/手机），免费即可用，会员去水印并解锁更多素材。
基础步骤：导入素材 → 用「图文成片」输入文案自动出视频 → 用「智能字幕」识别语音 → 加「AI 配音 / 数字人」。
常见问题 FAQ：
- Q：导出带水印？A：开通会员去除；免费版水印较小但存在。
- Q：长视频卡顿？A：分段处理、降低预览分辨率，导出时再选高清。

4.5 语音处理类

4.5.1 科大讯飞

一、工具介绍

核心功能：中文语音识别（ASR）与合成（TTS）领先，医疗/会议/教育场景成熟。产品含讯飞听见（会议转写）、讯飞开放平台（API）、讯飞星火（大模型）。
适用场景：会议转写、有声书、配音、无障碍、课堂录音整理。
优势对比：中文识别准、方言支持好、行业模板丰富，是中文语音首选。

二、使用方法

注册获取：讯飞听见网页/App 直接用；开放平台注册 → 建应用 → 调 API。
基础步骤：上传录音或实时录音 → 选语言/场景模型 → 自动转写 → 导出文稿。
常见问题 FAQ：
- Q：方言/噪音下不准？A：选对应方言模型，靠近麦克风、减少背景音。
- Q：实时转写没声音？A：检查浏览器/系统麦克风权限与网络。

4.5.2 Whisper（开源）/ ElevenLabs

一、工具介绍

Whisper（OpenAI，开源）：多语言语音识别，可本地部署，隐私好。
ElevenLabs：高质量多语言 TTS 与声音克隆，拟真度极高。
适用场景：Whisper 适合本地/批量转写；ElevenLabs 适合配音、有声内容、声音克隆。

二、使用方法

Whisper：命令行 whisper audio.mp3 --model medium，或用 Python 库；大模型吃显存，轻量用 base/small。
ElevenLabs：网页上传文本 → 选音色 → 生成并下载音频；声音克隆注意授权与伦理合规。
常见问题 FAQ：Whisper 显存不足换小模型；ElevenLabs 克隆须获得本人授权，避免侵权。

4.6 编程辅助类

前置准备（通用）：① 安装 VS Code（code.visualstudio.com，免费）；② 准备一个 GitHub / 对应平台账号并登录；③ 使用云端 Agent（如 Claude Code）需配置 API Key 并确认有足够额度；④ 确保网络可访问对应服务。

4.6.1 GitHub Copilot（Microsoft / OpenAI）

一、工具介绍

核心功能：IDE 内代码补全与生成，支持 Chat 与「编码智能体（Coding Agent）」。边写边补全，也能对话问问题。
适用场景：日常开发、自动写单元测试、文档生成、修 issue。
优势对比：与 VS Code / GitHub 深度集成，团队工作流顺滑。
二、使用方法
注册获取：VS Code 扩展商店搜「GitHub Copilot」安装 → 登录 GitHub 并订阅。
基础步骤：在编辑器输入注释或函数签名 → Copilot 灰字续写 → 按 Tab 接受、Esc 拒绝；Ctrl+I（或侧边图标）唤起 Copilot Chat 问问题。
高级功能示例：选中代码问「优化这段并加测试」；用 @workspace 跨文件理解；指派 Coding Agent 自动修 issue。
常见问题 FAQ：
- Q：补全不出来？A：确认已登录订阅、网络正常；检查右下角 Copilot 图标是否启用；重装扩展或重启 VS Code。
- Q：企业代码隐私？A：用企业版/私有部署，或开启「不用于训练」设置。
- Q：补全质量差？A：写更清晰的注释、变量名，或切换底层模型。

4.6.2 Cursor（AI 原生编辑器）

一、工具介绍

核心功能：AI 原生编辑器，整库理解、多文件编辑、Agent 模式；默认接 Claude 系列，亦可切 GPT / 本地模型。
适用场景：从零搭项目、跨文件重构、理解陌生代码库。程序员口碑极佳。
优势对比：对话与编辑一体、索引全库后回答更准；Pro 订阅解锁高阶 Agent。

二、使用方法

注册获取：下载 Cursor（cursor.com）→ 导入 VS Code 配置 → 登录账号。
基础步骤：打开项目后等待索引（index）完成 → 用快捷键调用 AI。
高级功能示例：
- Ctrl+K：就选中代码或当前文件直接「改代码」（如「把这个函数改成异步并加错误处理」）；
- Ctrl+L：打开对话侧栏，问「这个项目怎么跑起来？」「解释这个报错」；
- Cmd+Shift+A（Win 上 Ctrl+Shift+A）：启动 Agent，跨多个文件自动修改。
常见问题 FAQ：
- Q：大仓库索引慢？A：在设置中把 node_modules、构建目录加入忽略（exclude），只索引源码。
- Q：中文界面？A：支持，可在设置切换；补全与对话均可用中文。

4.6.3 通义灵码 / Claude Code（国内与进阶）

一、工具介绍

通义灵码（阿里）：国内免费、IDE 插件、中文好，适合日常补全与注释生成。
Claude Code（Anthropic）：终端 Agent，对本地代码库做长程工程任务（重构/修复/测试），是 2026 年工程化热点。
优势对比：灵码零成本上手快；Claude Code 自动化能力强，但需 API Key 与额度，且操作有破坏性。

二、使用方法

通义灵码：VS Code / IDEA 扩展商店安装 → 登录阿里云账号即用。
Claude Code：终端进入项目目录，运行 claude 命令进入交互；它会按授权读写文件、执行命令（如跑测试、改代码）。
权限说明（重要）：Claude Code 执行文件删除、重写、跑 shell 命令等操作前，会弹出确认提示。请务必看清它将要做的事——尤其 rm、git reset --hard、覆盖文件等破坏性操作，必须二次确认再放行。
常见问题 FAQ：
- Q：Claude Code 报错无权限 / 调不动？A：检查 API Key 是否配置（环境变量 ANTHROPIC_API_KEY）、额度是否充足；首次运行按提示授予文件读写权限。
- Q：它改错了文件？A：用 git status / git diff 查看改动，未提交前可 git checkout 回滚；养成「先 git 提交再让 Agent 动手」的习惯。
- Q：灵码补全慢？A：检查网络与登录状态；大文件可手动触发补全。

操作示例

以下每个示例都给出「你输入的文字/命令」与「预期输出/效果」，可直接照做。

示例 1｜Midjourney 出一张电影感海报

你输入的文字（Discord 或官网输入框）：

/imagine prompt: a lone traveler standing on a neon-lit cyberpunk street at night, rain, cinematic lighting, highly detailed, --ar 16:9 --s 750 --v 7

预期输出/效果：约 30–60 秒后返回 4 张横屏（16:9）候选图，呈现雨夜赛博朋克街道、霓虹光影、电影质感。你可用 U1–U4 放大最满意的一张，或 V 做变体。
参数说明：--ar 16:9 横屏比例；--s 750 较高风格化；--v 7 指定 v7 模型（默认即 v7，可省略）。

示例 2｜FLUX / Stable Diffusion（WebUI）基础生图

前置：本地部署 WebUI（或打开云端 FLUX 页面）。
你输入的文字（正向提示词）：

正向：a cute orange cat wearing a scarf, studio lighting, soft background, 4k
负向：blurry, low quality, extra limbs, text

设置：采样器 Euler a，步数 25，尺寸 512×768。
预期输出/效果：生成一只戴围巾的橘猫，背景柔和、清晰无畸变。若出多余肢体/模糊，加强负向提示词或提高步数。

示例 3｜剪映「图文成片」做一条短视频

你输入的文字（剪映「图文成片」输入框）：

三分钟看懂人工智能：它像会学习的助手，从数据里找规律，帮你写文案、画图、剪视频。今天我们从最生活化的例子讲起……

操作步骤：

打开剪映 → 首页点「图文成片」；
粘贴上面文案 → 点「生成」；
自动匹配素材、配音与字幕，生成初版视频；
在「文本」里改字幕，「音频」里换 AI 配音，「素材」里替换图片；
点「导出」。
预期输出/效果：一条带配音、字幕、配图的短视频成片，无需手动剪辑即可发布或继续精修。

示例 4｜GitHub Copilot 在 VS Code 中续写函数

前置准备：已装 VS Code + GitHub Copilot 插件并登录订阅。
你输入的文字（在 .py 文件里写注释）：

# 写一个函数，计算列表中所有偶数的平均值，列表为空时返回 0
def avg_even(nums):

预期输出/效果：Copilot 以灰字给出续写，按 Tab 接受后类似：

    if not nums:
        return 0
    evens = [n for n in nums if n % 2 == 0]
    return sum(evens) / len(evens) if evens else 0

若未出现续写：检查右下角 Copilot 图标是否启用、已登录、网络正常（见 4.6.1 FAQ）。

示例 5｜Cursor 用 Ctrl+K / Ctrl+L 改代码与对话

场景：有一段慢速的求和代码想并行优化。
你输入的命令/文字：

选中代码后按 Ctrl+K，输入：把这段改成用 sum() 和生成器，去掉循环。
按 Ctrl+L 打开对话，输入：这个项目用了什么框架？怎么本地运行？
预期输出/效果：Ctrl+K 直接在原处生成改写后的代码（如 total = sum(x for x in items)）；Ctrl+L 基于已索引的代码库回答框架名称与启动命令（如 npm run dev）。

示例 6｜Claude Code 终端工程任务（含权限确认）

前置准备：已配置 ANTHROPIC_API_KEY，进入项目目录。
你输入的命令（终端）：

claude

进入交互后输入：

帮我把项目里所有 console.log 调试语句清理掉，并跑一遍测试确认没破坏功能

预期输出/效果：Claude Code 会先列计划并扫描文件，执行删除/修改前弹权限确认（如「将编辑 src/utils.js、运行 npm test」）。你确认后它动手，最后汇报改动与测试结果。
⚠️ 破坏性操作确认：若它提出要 rm 文件、git reset --hard、覆盖重要文件，务必看清再放行；建议动手前先 git commit 留底，便于回滚。

示例 7｜讯飞听见会议转写

你输入的步骤（讯飞听见网页/App）：

登录讯飞听见 → 点「新建转写」；
上传会议录音 meeting.mp3，或点「实时录音」开始；
选语言「中文普通话」、场景「会议」；
等待转写完成 → 查看带说话人区分的文字稿；
点「导出」选 Word/PDF。
预期输出/效果：得到一份按时间轴、区分说话人的会议文字记录，可一键导出用于纪要整理。

示例 8｜Whisper 本地转写（备选）

你输入的命令（终端）：

whisper meeting.mp3 --model medium --language Chinese

预期输出/效果：在当前目录生成 meeting.txt / .srt / .vtt 等文件，内容为中文转写文本与时间轴字幕。显存不足时把 medium 换成 small 或 base。

小结回顾

需求	首选工具	备选 / 说明
要最好看的图、创意灵感	Midjourney v7	审美最强，但需付费、文字排版弱
要可控/批量/不出域出图	FLUX / Stable Diffusion	开源免费可本地，门槛高
想零门槛中文出图	即梦 / 通义万相 / 豆包图像	免费、快、商用友好
企业要识别图片文字/物体	百度智能云 / 阿里云视觉 / Google Vision	接 API，注意免费额度与隐私
做国际顶级文生视频	Sora / Veo 3	需订阅/合规网络，时长受限
做中文短视频/营销片	可灵 / 即梦视频	门槛低、可图生视频
要快速剪出成片	剪映	图文成片+智能字幕，新手首选
会议/课堂转文字	讯飞听见（中文最强）	备选 Whisper（本地/多语言）
高质量配音/有声	ElevenLabs	注意声音克隆授权合规
日常写代码补全	GitHub Copilot / 通义灵码	灵码免费中文好，Copilot 集成深
重构/跨文件大改	Cursor / Claude Code	Cursor 编辑器内；Claude Code 终端 Agent，破坏性操作务必确认
长程自动化工程任务	Claude Code	配 API Key，先 git 提交再放手