Tiantian Geng

UniAVは、アクションの位置特定、音の検出、音声・映像イベントの位置特定を組み合わせて、動画の理解をより良くするんだ。

LongVALEは、音声と視覚データを通じて長い動画を理解するための新しい基準を提供するよ。