多模態 GEO：圖片與影片如何被 AI 引用（2026 實戰）
摘要：你花三天打磨的官網文字，AI 讀得明明白白；但你隨手傳的產品圖、甩上去的發表會影片，AI 一個字都「看不見」。多模態模型確實能看圖，但答案引擎在檢索時仍靠文字信號——alt text、caption、ImageObject/VideoObject schema、字幕、transcript。本文把「圖／影片變成可引用資產」拆成可照做的步驟，並給出回報數據（多模態內容比純文字多賺 317% 的 AI Overview 引用）與分引擎閾值。
傳統 GEO 多在優化文字，但 AI 搜尋早就不是「只讀文字」了。Google AI Overviews 在答案裡整合圖片、影片、地圖，Gemini 和 Perplexity 直接嵌入微影片，豆包、元寶裡用拍照識圖問「這是什麼」也要先「看懂」圖。問題來了：AI 怎麼「看懂」你網站上的圖？靠的不是眼睛，是你給圖配的文字——Alt 文字、檔名、周圍的上下文、schema 標記、影片的字幕和文稿。沒有這些文字憑藉，圖再好看在 AI 眼裡也是一團無法描述的像素。
關鍵要點
- 多模態模型能描述圖，但答案引擎檢索媒體靠索引信號（文字鷹架）——無 transcript 的影片是黑箱，有 caption+transcript+VideoObject 才可被引用。
- 回報可觀：多模態內容比純文字多賺 317% 的 Google AI Overview 引用；圖片引用已佔全部 AI 引用的 15%–20%（年初 <5%，加速中）；文字+圖片組合使主推薦率提升 18%。
- 圖片四件套：描述性 alt（實體錨定、完整句、≤125 字元）+ 可見 caption + ImageObject schema + 人類可讀檔名與圖片 sitemap。
- 影片最高槓桿是 transcript：伺服器端渲染的可見文稿（非 JS 注入）+ VideoObject schema（含 transcript 屬性）+ SRT 字幕，比影片檔本身重要。
- 資訊圖是最高價值多模態資產：同時疊加「多模態 + 原創數據 + 可嵌入」三信號，被別站嵌入會產生「引用光環」反哺品牌。
- top-10 有機排名是跨引擎引用的共享閘道：Google AIO 38% 引用來自 top-10 頁，ChatGPT 對 Google #1 頁引用 43.2%，Perplexity 與 Google top-10 重疊 82%。
一、為什麼你的圖和影片「看不見」
AI 搜尋引擎接入圖片、影片、音訊，靠的是它們的文字鷹架：alt 文字、captions、VideoObject schema、字幕軌、transcripts。
一個教學影片如果沒有文稿，在檢索時是個黑箱；同一段影片配上字幕、transcript 和 VideoObject schema，就變成可被引用、可歸因的內容。引擎索引的是 transcript，不是像素。多模態內容要「可檢索」，本質是讓文字信號把媒體綁到一個可引用的答案上。
二、多模態 GEO 的回報：為什麼值得做
不是錦上添花，是增量很大的待開發層：
- 多模態內容比純文字等價物多賺 317% 的 Google AI Overviews 引用（Wellows 研究，經 LumenGEO 引述）。
- 圖片引用佔全部 AI 引用的 15%–20%（UltraScout 2026-08，跨 ChatGPT/Gemini/Claude 的 198+ 查詢）——年初還不到 5%，正在快速上升。
- 圖表和資料視覺化比產品照片多 3 倍 引用；文字+圖片組合出現時，品牌被當作首選答案的機率提升 18%。
- 影片引用仍低於 5%，但隨 AI 影片處理能力成熟預計快速增長——現在是早起窗口。
結論：文字 GEO 是地基，應先做；多模態 GEO 是覆蓋在地基上、競爭稀薄的高 ROI 層。
三、圖片可引用化四件套
1. 描述性 alt（實體錨定，不是無障礙 checkbox）
把 alt 寫成完整句，命名實體和結論，而非關鍵詞串。對比：
- 弱：
alt="藍色跑鞋" - 強：
alt="Nike Pegasus 40 藍色款跑步鞋，2025 版，中性足弓支撐適合路跑"
圖表類 alt 要寫出圖證明了什麼：alt="長條圖顯示 Shopify 店鋪的 AI 引薦流量年增 7 倍"——這句能被答案引擎原樣提取。控制在約 125 字元內，實體名前置。
2. 可見 caption + 鄰近正文
模型對圖片周圍的可見文字權重很高。圖下加一句完整陳述（「Pegasus 40 中底用 ReactX 泡棉，比上代回彈多 13%」），正文裡也引用它，告訴模型圖與結論屬於同一 claim。把規格寫成圖片附近的真實 HTML 文字，別烤進圖裡——圖內文字更難被可靠提取。
3. ImageObject schema
給關鍵圖加 ImageObject 結構化資料（contentUrl、caption、description、creator），讓引擎拿到機器可讀標籤。圖表／截圖／資訊圖都要加。
4. 檔名 + 圖片 sitemap
把 IMG_4821.jpg 改成 pegasus-40-blue-marathon.jpg；用圖片 sitemap 列出可索引視覺（含 title/caption），讓發現不依賴爬取運氣；用 WebP/AVIF 並顯式寬高，效能與布局穩定也是爬取預算的一部分。最後確認 GPTBot、OAI-SearchBot、Google-Extended 能抓到你的圖片目錄——抓不到的圖，alt 再好也沒用。
四、影片可引用化：transcript 是最高槓桿
影片在「怎麼做」類查詢裡優勢獨特——AI 傾向引用影片作補充來源。但 LLM 不會「看」影片，它處理的是 transcript。
- 伺服器端渲染可見 transcript：頁面原始 HTML 裡就有文稿，不是 JS 注入；帶時間戳、說話人標籤、問題式 H3。
- VideoObject schema：含 name/description/thumbnailUrl/uploadDate，關鍵是
transcript屬性要填。 - SRT 字幕：確認 ASR 文稿準確；字幕是時間對齊的可檢索文字。
- 播放器旁 answer-first 副本：一句原子答案放在播放器邊上。
- 約 70 天刷新視窗：AI 對更新的權重視窗約 70 天（有機約 13 個月），保持 dateModified 新鮮。
只需做「伺服器端 transcript + VideoObject + answer-first 副本」三步，就已勝過大多數競品的影片頁。YouTube 託管有天然觸及，嵌入到自己頁面並附完整 transcript，無論影片檔在哪，引用都流向你的網域。
五、資訊圖：最高價值多模態資產
資訊圖同時疊加三個強信號：多模態內容（317% 引用溢價）、原創數據（最強單一引用信號）、可分享性（別站嵌入產生品牌提及與「引用光環」）。最強打法是用同一份原創研究既出文字版（表格、具體統計、方法）又出資訊圖版——文字賺直接引用，資訊圖賺多模態溢價和嵌入帶來的品牌提及。務必把底層數據作為文字隨圖發布，並讓資訊圖可嵌入（提供 embed 程式碼）。
六、分引擎閘道：top-10 是共享入口
跨引擎被引有個共同前提——媒體頁先排進 Google top-10，再在其上建可提取文字層。具體閾值：
| 引擎 | 關鍵事實 | 含義 |
|---|---|---|
| Google AI Overviews | 38% 的 AIO 引用來自已排 top-10 的頁（Ahrefs 2026） | top-10 是 AIO 引用門戶 |
| ChatGPT | 對 Google #1 頁引用 43.2%（AirOps 2026），且會扇出子查詢 | 廣覆蓋主題提高被引機率 |
| Perplexity | 答案與 Google top-10 重疊 82%（Semrush 2026），偏好新內容 | 新鮮 dateModified + top-10 排名組合 |
中文引擎（豆包、元寶、Kimi 等）同樣靠 Alt 與檔名理解圖。先把媒體頁做到可檢索、可排名，再疊加多模態文字層。
七、10 步多模態清單（取重版）
每張想被 AI 引用的媒體頁，自上而下做：
- 伺服器端渲染 transcript（影片／音訊）。
- 加 VideoObject schema（填 transcript 屬性）。
- 播放器旁放 answer-first 原子答案。
- 每張有意義圖寫實體豐富 alt（完整句，非關鍵詞）。
- 關鍵圖／圖表加 ImageObject schema（caption+description）。
- 發 SRT 字幕並校驗 ASR 準確。
- 每張圖表給文字等價物（鄰近句／表重述數字）。
- 人類可讀檔名 + 圖片 sitemap。
- 保持 dateModified 在約 70 天視窗內。
- 用 Brand Radar 類工具追蹤「提及→引用」跨引擎變化。
步驟 1、2、3 槓桿最高；只做這三步已超多數競品。
八、度量與節奏（接 A16 指標框架）
多模態 GEO 的度量在 A16 的「直接+代理」框架上補視覺維度：
- 視覺引用計數：你的圖／影片被 AI 在答案裡作為來源引用的次數。
- 視覺引用佔比：總引用裡視覺資產 vs 文字的比例（目標隨平台上升而抬）。
- 文+圖轉化：AI 同時引用你的圖文時，是否把你列為主推答案（預期 +18%）。
節奏：先文字 GEO 打地基，再批量補 alt/transcript/schema（競爭稀薄、ROI 高），每兩週複測視覺引用佔比。詳見《GEO 效果怎麼衡量？核心指標與工具選型》。
常見問題
問：AI 不是能看圖嗎，為什麼還要寫 alt？
答：多模態模型貼上一張圖能描述它，但答案引擎是為查詢檢索「來源」——它讀的是索引信號（alt/caption/schema/transcript），不是即時看圖。沒有文字鷹架，你的圖在檢索時是黑箱，不會被當來源引用。
問：影片一定要傳 transcript 嗎？
答：是，transcript 是影片優化裡單一槓桿最高的項。引擎無法規模化直接處理影片音軌，transcript 才是它理解影片說什麼的文字。無 transcript 的影片對 AI 引用基本不透明；有完整準確 transcript 的影片，可引用性等同一篇文字稿。transcript 要發在同一頁（伺服器端渲染）。
問：圖片 alt 寫多長合適？
答：約 125 字元內，寫成完整句、實體名前置、說出圖證明了什麼結論。別寫成「圖表」「照片」這類裝飾性 alt——對引擎和讀屏器都是雜訊。圖表 alt 要寫出資料結論，如「長條圖顯示 AI 引薦流量年增 7 倍」。
問：自託管影片還是放 YouTube？
答：兩者都值。YouTube 被 Google AIO 以可觀比例引用，且有平台觸及；自託管讓引用流向你的網域。多數品牌做法：YouTube 託管求觸及，嵌入自己頁面並附完整 transcript，這樣無論影片檔在哪，內容都可被引用到你的網域。
問：資訊圖真的比產品圖值得做嗎？
答：值得。資訊圖疊加「多模態+原創數據+可嵌入」三信號，是最高價值多模態資產；圖表／資料視覺化比產品照片多 3 倍引用。前提是底層數據以文字隨圖發布，且資訊圖可嵌入——別站嵌入會產生引用光環反哺品牌。
問：多模態 GEO 和文字 GEO 哪個先做？
答：文字 GEO 是地基，先做；多模態是覆蓋其上的高 ROI 薄競爭層。文字結構化完成後，補 alt/transcript/schema 成本低、競爭少，應立即跟進。理想順序：文字 GEO 優先，多模態 GEO 緊隨。
資料來源
- Multimodal GEO: How to Get Your Video & Images Cited by AI（10 步清單、分引擎閾值、約 70 天視窗）
- Multimodal GEO: making images and video citable（alt/caption/image sitemap、VideoObject）
- Multi-modal GEO: How to Optimize Images and Video for AI Citation（317% 多模態溢價、資訊圖最高價值）
- Multimodal AI Search – How to Optimise for Image, Text & Video Signals 2026（15–20% 圖片引用佔比、3× 圖表、+18% 主推薦）
- How to Optimize Images and Multimedia for AI Search Visibility（alt 實體錨定、transcript 必須、crawler 可達）
- 多模態內容 GEO 策略：圖片影片資訊圖在 AI 搜尋中的協同優化（中文策略源）
- Multimodal Search Optimization: Framework & Checklist（框架與 schema 清單）
關於通智雲
通智 GEO 在文字 GEO 之外，提供多模態可引用化服務：為你的產品圖、圖表、資訊圖、影片補齊 alt/caption/ImageObject/VideoObject 與 transcript 文字層，並接入統一度量看板追蹤「視覺引用佔比」。想看品牌視覺資產在主流 AI 答案裡的真實引用情況，免費預約專家諮詢和診斷，獲取一份多模態 GEO 基線審計與整改清單。
