AI搜索会引用视频和图片吗：多模态内容的机会与限制

先说结论：AI搜索确实会引用图片和视频，但方式跟传统搜索完全不一样，而且真正的红利期可能比想象中短。

传统搜索里，图片和视频是"结果"本身。你搜"西安城墙"，搜索引擎给你一屏图片，点进去看。AI搜索不是这样。你问豆包"西安城墙什么时候建的"，它给你一段文字回答，里面可能配一张图，但图只是装饰，信息全在文字里。所以现在AI搜索里的多模态，更多是"文字为主、图片视频为辅"。

AI搜索到底怎么"看"多媒体

大部分靠的还是旁边那圈文字。图片的文件名、alt描述、周围段落，视频的标题、简介、字幕，才是它真正读取的东西。也就是说，视频画面它看不懂，但视频的标题和字幕它能看懂。我们测过一个做装修的账号，把工地视频传到抖音，标题里带"西安 旧房翻新 报价"，结果豆包回答"西安旧房翻新大概多少钱"时，真引用了这个视频页面，来源标注就是视频标题加账号名。所以给视频起标题这件事，从GEO角度看，比拍得精不精美重要得多。

谁在吃多模态红利：三个场景

目前有三个场景比较明显。一是教程类内容，比如"怎么换灯泡""怎么做红烧肉"，AI回答里越来越爱带视频链接，因为它知道用户要的是步骤，视频比文字直观。二是本地生活，问"附近有什么好吃的"，AI经常引用点评平台带图片的商户页。三是产品测评，AI引用B站、抖音测评视频的概率在涨，数码和汽车类尤其明显。

但也要说句实在话：纯图片和纯视频内容，现在被AI引用的价值仍然有限，因为AI从里面摘不出文字信息。你发一百张产品图，不如配一段三百字的产品说明。图片视频是加分项，不是替代项。

另外提醒一句，音频内容现在最吃亏。AI搜索几乎不引用音频本身，播客、语音回答都只能靠配套的文字稿被识别。所以做播客的企业，记得把每一期的文字稿同步发在官网上，否则这期内容等于白做。

现在能做的三件事

第一，给网站和社交账号上的每张图、每个视频配好标题、描述和字幕，把该有的文字信息补齐。第二，做图文混排，重要的信息用文字写出来，图片负责直观展示。第三，去AI搜索里把行业核心问题问一遍，看看被引用的视频都有什么共性，照着改。多模态的机会是真实的，但它的前提，永远是文字。