视觉问答（Visual Question A […]
多模态融合（Multimodal Fusio […]
跨模态检索（Cross-Modal Retr […]
视频生成（Video Generation） […]
视频理解（Video Understandi […]
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 […]
语音识别（Speech Recognitio […]
语音合成（Speech Synthesis） […]
情感识别，亦称情感分析（Sentiment […]
