不好意思，标题党了一点点。
直接说答案，语音，语音会是继搜索和coding之后“杀死”巨量token的领域。
很多人会有疑问，不应该是AI视频和图片吗？
先说不是它们的理由：
即使sora-2和veo-3.1（会有人说sora2最好，不争论）很好了，但是我们依然没有去回答一个现实的问题：假设现在的模型可以生成比如说十分钟以上的视频，而且就跟真人一样，这十分钟以上的时间你会选择看真人出演的还是AI生成的？人
当然，动漫和科幻可能是AI视频很好的落地场景，但是，如果AI直接生成的质量就很高了，人反而不会有事没事去“自娱自乐”了（是说整体，而不是少数人）。可能更多的人会被有创意的人利用AI生成的视频作品吸引，可这就回到了视频本身的特点了，制作可能费token，但是观看，播放量再大，token消耗量也极小，消耗的是视频流的压缩，传输和解压缩；