3 进阶案例

📄️ 多模态交互助手

ASR（自动语音识别）与 VLM（视觉语言模型）结合，可实现“语音 + 视觉”的多模态交互能力，使系统不仅能够理解用户语音内容，还能结合当前场景进行语义理解与交互决策，广泛应用于机器人、智能座舱、智能终端及展会交互等场景。