百度千帆新上三款模型:写文档、处理长文本、做口播分别选谁?

百度千帆这次上新，把三类工作放在了同一个页面里：写文档、处理长资料，以及让图片里的人物开口说话。

对应的产品是 ERNIE-5.5-Flash-Preview、ERNIE-Light-DT-1.0 和 ERNIE-Wizshot-ME（一镜微表情）。前两款处理文字，第三款生成视频。要选谁，先得弄清它们分别能接住哪一段工作。

这里还有个容易看错的地方：Flash 本身也支持长上下文，而名字里强调低计算开销的 Light-DT，当前 API 单价反而高于优惠期的 Flash。仅凭“通用”“长文本”“轻量”几个标签，很难直接做选择。

本文依据百度官方产品页与接口文档整理，没有调用模型做独立实测。下面比较的是用途、接入条件和公开价格。

写文档，先看 Flash 能调用哪些工具

Flash 的全名带有 Preview，目前是预览版。百度将编程、智能体、知识工作和深度研究列为主要方向，文档、表格和报告制作也在其适用场景中。

但“写一段报告文字”和“交付一份可以继续编辑的报告文件”，中间还隔着工具。

按百度的介绍，Flash 可以在接入应用、MCP 工具和 Skill 的环境里，规划任务、处理分散材料，再完成文档等交付。换句话说，模型负责理解和安排工作，实际打开文件、生成表格或保存结果，还需要相应的应用与工具配合。只调用文本接口，不能默认得到一整套办公软件的能力。

对日常写作，一个可以尝试的任务是：把会议笔记、讨论记录和旧方案整理成汇报初稿。要求里写清受众、篇幅、必须保留的原文，以及负责人、日期缺失时标为“待确认”，就能把预期交付限定得更具体。这是使用设想，并非本号的实测结果。

Flash 公布的上下文窗口为100 万 tokens。这里的 tokens 是模型处理文本的单位，不能直接按汉字数换算。这个窗口可以容纳材料、工具调用记录和返回结果，对需要持续引用前文的任务有用；容量大小也不能替代对细节准确性的检验。

官方还标称生成速度超过 200 tokens/秒。实际接入后，文档读取、工具执行和结果检查同样会占用时间，因此这个数字不能直接当作整项办公任务的完成速度。

Light-DT 的差别，在于怎样管理长上下文

Light-DT 面向长文档问答、摘要、多轮对话和批量文本处理。它采用百度所称的 BSA 稀疏注意力，以及反馈式历史压缩，重点是降低历史信息的存储与计算开销。

可以把它理解为：资料和对话不断累积时，系统需要决定怎样保存、索引和利用历史内容，避免每次都付出同样大的处理代价。这是计算方式上的优化，不能直接推出它比 Flash 更擅长所有长文任务。

产品页还列出了思考模式可开关、最大输出128K tokens。注意，这里的 128K 指输出上限，不能拿来当作输入窗口。

如果你要在一份长报告里反复追问成本、收入或不同章节的关系，Light-DT 属于可以试用比较的候选。比较时，应让两款模型回答同样的问题，再检查关键内容是否遗漏、引用位置能否回查、前后答案是否一致。Flash 也能装入大量材料，二者的实际取舍仍要看这些结果。

原创概念拼贴：长资料的答案，仍要能回到原文核对。

价格则给出了另一层约束。截至 2026 年 11 月 14 日，Light-DT 每百万 tokens 的输入、输出价格分别为8 元、28 元，缓存命中为 0.8 元，全时段统一。

百度所说的“降低计算开销”，描述的是技术路线；你支付的 API 单价，要按当期报价另算。至少在 Flash 的预览优惠期内，不能把 Light-DT 直接理解成更便宜的选项。

一镜微表情，做的是人物口播镜头

一镜微表情的任务更直观：根据人物图片、台词和声音等信息，生成角色说话的视频。百度强调的是近景、特写中的眉眼、嘴角和视线变化，展示场景包括播客访谈、讲故事与情感口播。

原创概念图：图片、文字与声音共同驱动人物口播，并非产品界面或生成实测。

不过，想把它接进自己的流程，准备工作比“上传一张照片”多。

当前 API 文档要求提供人物设定、人物图片、参考声音，以及分镜图和台词等信息。其中参考声音需为含人声的 WAV 音频，时长 10—60 秒。调用采用创建任务、查询结果的异步流程，也就是先提交生成请求，再查询是否完成。对没有接口使用经验的读者来说，能否找到合适的应用入口，是实际使用前要确认的一步。

产品页给出的输出规格为1080p、4—15 秒；当前 API 文档对台词合成语音与静音的总时长，另写为 4—16 秒。两处口径有差别，接入时应按实际接口的校验规则处理。无论采用哪个口径，它面向的都是短片段；较长口播还要另外安排镜头衔接、字幕与声音一致性。

百度提供了官方演示，但厂商样片只能展示相应输入下的效果。本号没有生成样片，不能据此判断它在不同人像、台词和情绪下是否都能稳定保持口型与表情。人物形象、参考声音的使用权限，也应在制作前确认。

百度智能云一镜微表情官方演示约第 2 秒静帧。来源：百度智能云。

费用放在一起看，才不容易选错

Flash 和 Light-DT 按输入、输出的 tokens 分别收费，一镜微表情按生成视频的秒数收费。文字量和视频时长是两套计费单位。

Flash 的预览优惠截至2026 年 11 月 30 日 23:59:59。按 11 月 14 日官方页面的报价，每百万 tokens 的输入与输出价格如下：

缓存命中另有单价：Flash 高峰、空闲时段分别为每百万 tokens 0.1 元、0.05 元，Light-DT 为 0.8 元。缓存是否命中会改变费用，不能默认所有输入都能按缓存价结算。

举个只算文本调用费的例子：一次请求包含 10 万个未命中缓存的输入 tokens，产生 1 万个输出 tokens，按上述价格，Flash 高峰时段约 0.14 元、空闲时段约 0.07 元，Light-DT 约 1.08 元。这是在相同用量下的算术比较，不代表它们完成同一任务时一定消耗相同数量的 tokens。

一镜微表情的刊例价为0.7 元/秒，5 秒约 3.5 元，15 秒约 10.5 元。若反复生成多版，预算就要按累计生成量计算。

按百度智能云公开报价整理，核验日期：2026 年 11 月 14 日。Flash 为限时优惠价；实际费用以使用时官方规则和订单为准。

因此，写文档或整理材料，可以先把 Flash 作为试用起点，同时确认使用入口是否提供文件和工具支持；长资料问答可再加入 Light-DT，用同一份材料比较答案与账单；需要人物说话的短镜头，再考虑一镜微表情，并准备它要求的图像、声音和分镜信息。