在 GEO 里，文字仍是 AI 引用的绝对主力——因为它最容易被模型和 Schema 精准抽取。但视频和图片并非没有价值：AI 能读视频字幕、能把图片 Alt 文本当信号、能结合你写的说明理解多媒体。问题是，多媒体要“被正确标注”才发挥作用。本文讲清 AI 处理多媒体的实际方式，并给产品图册 vs 场景图的选择建议。
多媒体内容指图片、视频、音频等非纯文本形式的内容。在 GEO 中，它们的可发现性高度依赖配套的 alt 文本、字幕和文字说明。
文字为什么是引用主力
AI 引用内容，本质是从文本里抽取“可验证、有结构的信息”。一段清晰文字 + FAQ Schema，AI 能直接拿去用。而一张图、一段视频，如果不配套文字，AI 很难凭“看”来理解它讲的是什么——除非你给了 alt、字幕或说明。
所以结论是：文字是主战场，多媒体是辅助。不要因为“别人都发视频”就本末倒置，先把文字内容做扎实（参考 信息密度比字数更重要）。
AI 怎么“读”多媒体
- 视频：AI 能处理视频的标题、简介、字幕（transcript）。一段有字幕、有文字简介的产品讲解视频，其文本部分是可以被抽取的。纯画面无字幕，AI 基本读不到。
- 图片：AI 看图片靠 alt 文本和周围文字。alt 写清楚“这是什么、有什么信息”，图片才成为有效信号。否则只是一张没法理解的图。
- 嵌入说明：在图片 / 视频下方写一段说明文字，相当于给 AI 的“旁白”，帮助它理解多媒体在讲什么、和正文什么关系。
产品图册 vs 场景图，怎么选
- 产品图册（白底图、参数图）：适合放在产品页，配合 Product Schema 和 alt 文本，服务“这是什么产品、规格是什么”。
- 场景图（使用场景、工厂实拍、客户现场）：更适合放在文章和案例里，alt 写清场景，能传递“真实存在、真实在用”的信任感，和 品牌实体建设 呼应。
建议两者都做，但分工不同：图册服务参数，场景图服务信任。
实操清单
- 每张重要图片都写描述性 alt（含产品名、关键特征）。
- 视频配字幕 + 文字简介，别只传画面。
- 多媒体下方加一句说明，给 AI 上下文。
- 图片压缩到合理体积，别拖累 Core Web Vitals（后续专文）。
Q：发视频比写文章对 GEO 更有效吗？
A：目前不是。文字最易被 AI 精准抽取和引用，仍是主力。视频有价值，但主要体现在字幕和简介可被读，纯画面 AI 读不到。优先把文字内容做厚。
Q：图片没有 alt 文本，AI 就完全看不到了吗？
A：基本是。没有 alt 和说明，AI 很难理解图片内容，图片就只是“无法解读的资源”。写好 alt 是把图片变成有效信号的必要动作。
Q：产品图应该用白底图还是场景图？
A：分工不同。白底参数图配合 Product Schema 服务“是什么产品”；场景实拍图放在文章和案例里传递真实信任感。建议两者都做、各司其职。
Q：视频一定要加字幕吗？
A：想要被 AI 读到，建议加。字幕和可抓取的简介是 AI 理解视频内容的主要途径。只有画面没有文本，视频对 GEO 的贡献很有限。
Q：多媒体内容对 GEO 完全是锦上添花吗？
A：对“引用”是辅助，但对“信任”和“用户体验”有价值。场景图、带字幕的视频能强化真实感，间接服务于 GEO 的权威层。
Q：图片太大拖慢网站，和 GEO 冲突吗？
A：会。大图拉低加载速度，影响抓取预算和体验（见 Core Web Vitals 专文）。解决方法是压缩到合理体积并转 WebP，既能保速度又能保留多媒体价值。