语音合成（Speech Synthesis） […]
图像生成是指利用人工智能技术，特别是深度学习 […]
图像识别是指计算机系统通过算法自动分析和理解 […]
视频理解（Video Understandi […]
视频生成（Video Generation） […]
跨模态检索（Cross-Modal Retr […]
视觉问答（Visual Question A […]
图像字幕生成（Image Captionin […]
零样本图像生成（Zero-Shot Imag […]
多模态融合（Multimodal Fusio […]
