可以试试Video-LLaVA
Video-LLaVA 项目是由北京大学元研究团队开发的，旨在实现图像和视频之间的交互式能力，通过将视觉表示统一地绑定到语言特征空间，使得大型语言模型（LLM）能够同时对图像和视频进行视觉推理。
https://github.com/PKU-YuanGroup/Video-LLaVA
网友回复
我知道答案，我要回答
私活外包
最新提问
webrtc进行p2p连接发送的文本音视频文件是否是加密的？
如何让一个可爱的三维动物通过three在浏览器中有表情动作的自然说话？
go与wails如何开发一个高性能的原生桌面应用？
python如何调用openai的api实现知识讲解类动画讲解视频的合成？
html如何直接调用openai的api实现海报可视化设计及文本描述生成可编辑海报？
f12前端调试如何找出按钮点击事件触发的那段代码进行调试？
abcjs如何将曲谱播放后导出mid和wav格式音频下载？
python如何将曲子文本生成音乐mp3或wav、mid文件
python中mp3、wav音乐如何转成mid格式？
js在HTML中如何将曲谱生成音乐在线播放并下载本地？
