AI 原理学习笔记（十九）：多模态，怎样把图像、文字、语音和视频连起来 2026 年 10 月 20 日 AI 技术与原理 从图像块与语义对齐入门，区分 OCR、文档理解、语音识别、语音生成、扩散与数字人流程。 多模态 OCR 语音 视频