ChatGPT 屬于 AIGC 的范疇，代表了文本生成L域的新進展。GPT-4 則 增加了圖到文的生成，具備了圖片識別的能力。下一個 GPT 預計將支持更多模 態的 AIGC，即除文本生成之外，還可以生成圖片、視頻、音頻等模態。與僅使 用語言或僅使用視覺相比，構建良好的多模態模型更是一項J具挑戰性的任務。 但如同 Transformer 架構從語言走向視覺L域，下一個 GPT 或者 LLM 模型，必 將向文本、圖片、音頻、視頻等跨L域多模態 AIGC 不斷發展演進。

在文本生成場景中，可以分為非交互式生成和交互式生成。非交互式文本生 成場景中，結構化寫作其形式相對固定，生成難度較小，商業化應用較為廣泛， 例如公司財報簡訊、新聞簡訊、專業文書等，而創作型寫作開放性較大，在長文 本生成中難度較大，仍需技術進一步發展，相比于結構化的文本，創作型文本具 有更G的開放度與自由度，需要一定的創意與個性化[22]，如營銷文案、廣告語、 客服話術等。交互式文本生成場景主要以聊天機器人為代表，在基于上下文中信 息進行文本交互，如客服問答、閑聊機器人、知識檢索庫等。

在圖像生成場景中，模型結構不斷進化提G了 AIGC 生產圖像的多樣性，但 要求較G的功能實現還有待于技術的進一步提升。“圖像編輯”難度低于“圖像 生成”與“2D-3D”轉換，目前已存在多款產品支持“圖像編輯”，而對于“圖 像生成”任務，由于圖片相較包含更多元素，其生成效果仍存在不穩定性，對于 要求較G的功能類圖像生成仍需要技術上的提升[23]

音頻生成場景中，文本到語音任務已比較成熟，語音質量已達到自然的標準， 未來將朝更富情感、富韻律的語音合成以及小樣本語音學習方向發展。但音樂生 成任務中仍需解決音樂數據難以標注的問題，數據標注的顆粒度大小影響音樂生 成任務的可控性。若可控性得以解決，則可指定風格、情緒等因素的音樂生成任 務有希望在影視、游戲等場景下得到大量應用[24]。

視頻生成場景中，視頻生成本質上與圖片生成類似，通過對視頻進行幀數J 別的切割，實現對每一幀的處理。視頻生成過程包括三個階段：數據的提取、訓 練和轉換，當前技術正在著重提升視頻修改準確度和實時性兩個維度。鑒于視頻本身的文本、圖像和音頻的綜合屬性，視頻生成也是跨模態生成L域的重要應用 場景。

跨模態生成場景中，現實世界的信息是文本、音頻、視覺、傳感器以及人類 各種觸覺的綜合體系，要更為準確地模擬現實世界，就需要將各種模態能力之間 打通，例如文字-圖像、文字-視頻等跨模態生成能力 大型預訓練模型的發展使得 跨模態逐步成熟，“文本-圖像”生成正在快速落地，“文字-視頻”的實驗效果 也已較為理想（視頻時長、清晰程度、邏輯等還有較大提升空間）