多模态模型，或者先给物体打下标签试试？

现在正朝着那个方向发展

现在用语音识别+clip试试？难度很大吧

好几个模型串接

应该可以的，先语音转文字，然后文字转图像。 

可以实现，但是难点在于训练数据。

Deep Learning  is all about embedding everything。

如果是文字和图像匹配，就是文本embedding，图像embedding，然后二者求余弦相似度等等作为loss.

如果是生成，就接生成模型，然后用实际图片做标签。

但是没有数据一切都是空谈，数据又要人工制作。。。