生成图像与语音的日常用法

视频生成抢眼，但多模态创作的日常主力是图像和语音：做一张封面、配一段插画、生成一段口播音频。这一页整理这两类能力的用法与额度逻辑。

图像生成的用法

• 任务内素材：让 Agent 在做幻灯片、写报告、搭网站时「配上合适的配图」，图像生成作为子环节自动调用——这是和「单独开一个生图工具」最大的区别，图和内容在一次任务里完成配套。
• 独立生图任务：直接描述想要的画面，交付图片文件下载。
• 风格参考：上传一张参考图再描述需求，产出更贴近预期，参考样例的价值见给AI下指令的六个实用技巧。

语音生成的用法

• 配音类：为视频、课程内容生成口播音频；语音模型家族（Speech 系列）支持多品质音色。
• 任务内输出：要求「报告转成音频简报」「幻灯片配讲解音轨」，语音与图文在同一次交付里出现。

额度逻辑：共享一个大池

订阅额度的一个关键设计：文本、图像、语音共享同一额度。这意味着：

• 用得多的模态会挤占其他模态的额度，月底额度紧张时优先保最重要的任务。
• 三档订阅（Plus / Max / Ultra）都包含图像与语音生成，与视频（仅 Max 及以上）不同——日常图文音创作不需要高档位。

额度与档位的完整对比见Token Plan 三档订阅分别适合谁；超出套餐额度的部分由积分抵扣，积分包规则见积分包价格与有效期规则。

与输入侧的区别

别忘了多模态还有输入一半：图片、视频、音频都能作为材料上传让 Agent 理解——「看图做同款」「听录音出纪要」都属于这个方向，上传规则见把材料交给AI什么格式都能读吗。

生成能力与额度设计依据官方订阅页与能力表整理，具体额度数值以官方最新版为准。