2024年，品牌们还有硬仗要打。
与GPT-4V进行比较时，实验发现GPT-4V在所有对象识别任务中表现一致，但在对象级感知方面落后于VCoder。
LLaVA是一个端到端训练的多模态大模型，它将视觉编码器和用于通用视觉和语言理解的Vicuna相结合，具备令人印象深刻的聊天能力。而CogAgent是在CogVLM基础上改进的开源视觉语言模型，拥有110亿个视觉参数和70亿个语言参数。
多种配音角色选择: 提供多种配音角色，包括edgeTTS以及支持openai的TTS模型，用户可以根据需求选择最合适的配音风格。
25. 使用 Chat GPT 生成视觉描述:Chat GPT 可以为视觉内容创建详细且引人入胜的描述，帮助视障用户访问。