当声音出现同音词时，模型可参考摄像头画面辅助判断
当声音里出现同音词，仅靠前后文仍难以判断时，模型还可以参考摄像头画面。
精选理由
这个技巧很实用，比如听不清‘bank’是银行还是河岸时，看看画面就能明白，比单纯听音频更准。
当音频中出现同音词时，仅靠上下文难以判断，模型可以参考摄像头画面。例如，当听到‘bank’时，通过画面判断是银行还是河岸。这种多模态融合能力提升了模型的理解准确性。
原文 · 小互
当声音里出现同音词，仅靠前后文仍难以判断时，模型还可以参考摄像头画面。
当声音里出现同音词，仅靠前后文仍难以判断时，模型还可以参考摄像头画面。 Your browser does not support the video tag. 🔗 View on Twitter 💬 1 🔄 0 ❤️ 1 👀 822 📊 1 ⚡
