多模态生成完全指南（图 / 视频 / 语音）
从图像、视频到语音，生成模型的迭代速度最快。这页把这条线的内容按“可上手”整理，重点是工作流与成本，不是概念吹水。
适合：做内容生成、设计辅助、语音/视频应用的工程师。
一、图像生成
二、视频生成
三、语音 / 音频
四、设计 / UI / 3D
五、ComfyUI 工作流
常见问题
Q：图像生成该用开源还是闭源？看需求：要可控、可私有化、能改工作流用开源（Krea / Ideogram / SD 系）；要省事、出图质量稳定用闭源。横评见第一节。
Q：ComfyUI 值得学吗？值得。它是目前把多模态生成流程“工程化”的主流方式，工作流可复用、可云部署。
Q：语音克隆有合规风险吗？有。使用他人声音需获得授权，商用更要谨慎。见第三节。
Q：本地能跑这些模型吗？可以，但吃显存。可参考“本地 & 自托管 LLM”指南里的硬件与量化内容。
最后更新：2026-10-13 ｜ 汇智网编辑部