多模态 AI 系统：图像、文本与音频分析

多模态 AI 指能够理解和处理多种数据类型（文本、图像、音频、视频）的人工智能系统。GPTV、Gemini 和 Claude 3 等模型在这一领域取得了突破性进展。

多模态 AI 基础

模态类型

文本： 自然语言、代码、结构化数据
视觉： 照片、图表、截图
音频： 语音、音乐、环境声音
视频： 动态影像 + 音频的组合

为什么需要多模态？

人类交流本质上就是多模态的
单一模态会遗漏关键信息
能提取更丰富的语义
更适用于真实世界场景

视觉-语言模型

模型架构方法

1. 对比学习（CLIP 风格）

1Image Encoder → Image Embedding
2Text Encoder → Text Embedding
3Contrastive Loss: Match(image, text)

2. 生成式（GPTV 风格）

Image → Vision Encoder → Visual Tokens
Visual Tokens + Text Tokens → LLM → Response

3. 交叉注意力融合

Image Features ←Cross-Attention→ Text Features

视觉编码器类型

Encoder	Architecture	Resolution	Feature
ViT	Transformer	224-1024	Patch-based
CLIP ViT	Transformer	336	Contrastive
SigLIP	Transformer	384	Sigmoid loss
ConvNeXt	CNN	Flexible	Efficient

图像分词（Image Tokenization）

Patch Embedding：

224×224 image → 14×14 patch grid → 196 visual tokens
Each patch: 16×16 pixel → Linear projection → Embedding

可变分辨率：

1Anyres approach:
21. Divide image into tiles
32. Encode each tile separately
43. Add global thumbnail
54. Concatenate all tokens

多模态 LLM 实现

GPTV 使用示例

1from openai import OpenAI
2import base64
3
4client = OpenAI()
5
6def encode_image(image_path):
7    with open(image_path, "rb") as f:
8        return base64.b64encode(f.read()).decode('utf-8')
9
10response = client.chat.completions.create(
11    model="gpt-4-vision-preview",
12    messages=[
13        {
14            "role": "user",
15            "content": [
16                {"type": "text", "text": "Analyze this image"},
17                {
18                    "type": "image_url",
19                    "image_url": {
20                        "url": f"data:image/jpeg;base64,{encode_image('image.webp')}",
21                        "detail": "high"  # low, high, auto
22                    }
23                }
24            ]
25        }
26    ],
27    max_tokens=1000
28)

Claude 3 Vision

1from anthropic import Anthropic
2import base64
3
4client = Anthropic()
5
6with open("image.webp", "rb") as f:
7    image_data = base64.standard_b64encode(f.read()).decode("utf-8")
8
9message = client.messages.create(
10    model="claude-3-opus-20240229",
11    max_tokens=1024,
12    messages=[
13        {
14            "role": "user",
15            "content": [
16                {
17                    "type": "image",
18                    "source": {
19                        "type": "base64",
20                        "media_type": "image/jpeg",
21                        "data": image_data
22                    }
23                },
24                {"type": "text", "text": "What is in this image?"}
25            ]
26        }
27    ]
28)
29## 音频处理
30
31### 语音转文本（STT）
32
33**Whisper 模型：**
34```python
35from openai import OpenAI
36
37client = OpenAI()
38
39with open("audio.mp3", "rb") as audio_file:
40    transcript = client.audio.transcriptions.create(
41        model="whisper-1",
42        file=audio_file,
43        language="en"
44    )
45    
46print(transcript.text)

文本转语音（TTS）

1response = client.audio.speech.create(
2    model="tts-1-hd",
3    voice="alloy",  # alloy, echo, fable, onyx, nova, shimmer
4    input="Hello, I am an AI assistant."
5)
6
7response.stream_to_file("output.mp3")

实时音频管线

1Microphone → VAD → Chunking → STT → LLM → TTS → Speaker
2             ↓
3        Voice Activity
4        Detection

视频理解

帧采样策略

1. 均匀采样：

1def uniform_sample(video_path, num_frames=8):
2    cap = cv2.VideoCapture(video_path)
3    total_frames = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
4    indices = np.linspace(0, total_frames-1, num_frames, dtype=int)
5    
6    frames = []
7    for idx in indices:
8        cap.set(cv2.CAP_PROP_POS_FRAMES, idx)
9        ret, frame = cap.read()
10        if ret:
11            frames.append(frame)
12    
13    return frames

2. 关键帧提取：

1def extract_keyframes(video_path, threshold=30):
2    # Finding keyframes with Scene change detection
3    pass

Video-LLM 管线

1Video → Frame Sampling → Per-frame Encoding → Temporal Aggregation → LLM
2                              ↓
3                        Audio Extraction → STT → Text

多模态融合

早期融合

在模型输入阶段融合多模态：

[CLS] [IMG_1] ... [IMG_N] [SEP] [TXT_1] ... [TXT_M] [SEP]

后期融合

分别处理各模态并融合结果：

1Image → Image Model → Image Features ─┐
2                                       ├→ Fusion Layer → Output
3Text → Text Model → Text Features ────┘

跨模态注意力

模态之间的注意力机制：

1Q = Text Features
2K, V = Image Features
3Cross_Attention(Q, K, V) = softmax(QK^T/√d)V

OCR 与文档理解

文档 AI 管线

1def process_document(image_path):
2    # 1. Layout Detection
3    layout = detect_layout(image)  # Headings, paragraphs, tables
4    
5    # 2. OCR
6    text_regions = ocr_extract(image)
7    
8    # 3. Structure Understanding
9    structured_doc = parse_structure(layout, text_regions)
10    
11    # 4. LLM Analysis
12    analysis = llm_analyze(structured_doc)
13    
14    return analysis

表格提取

1response = client.chat.completions.create(
2    model="gpt-4-vision-preview",
3    messages=[{
4        "role": "user",
5        "content": [
6            {"type": "image_url", "image_url": {"url": table_image_url}},
7            {"type": "text", "text": "Extract this table in JSON format"}
8        ]
9    }]
10)

企业级多模态应用

1. 文档处理

发票/收据 OCR
合同分析
表单数据提取

2. 视觉搜索

基于产品图片的搜索
相似图片查找
视觉问答

3. 内容审核

不当图像检测
品牌标识检查
文本 + 图像一致性

4. 客户支持

截图分析
视觉故障排查
语音支持

性能优化

图像预处理

1def optimize_image(image_path, max_size=1024, quality=85):
2    img = Image.open(image_path)
3    
4    # Resize
5    if max(img.size) > max_size:
6        ratio = max_size / max(img.size)
7        new_size = tuple(int(d * ratio) for d in img.size)
8        img = img.resize(new_size, Image.LANCZOS)
9    
10    # Compress
11    buffer = io.BytesIO()
12    img.save(buffer, format="JPEG", quality=quality)
13    
14    return buffer.getvalue()

批处理

1async def batch_image_analysis(images, batch_size=5):
2    results = []
3    for i in range(0, len(images), batch_size):
4        batch = images[i:i+batch_size]
5        tasks = [analyze_image(img) for img in batch]
6        batch_results = await asyncio.gather(*tasks)
7        results.extend(batch_results)
8    return results

成本管理

Token 计算（Vision）

1GPTV Token 成本:
2- 低细节：85 token/图片
3- 高细节：85 + 170 × tile_count
4
5示例（2048×1024，高细节）:
6Tiles: ceil(2048/512) × ceil(1024/512) = 4 × 2 = 8
7Tokens: 85 + 170 × 8 = 1445 tokens

优化策略

调整细节级别： 非必要不要使用 "high"
减少图像尺寸： 可降低 token 数量
缓存： 避免重复分析相同图像
批处理： 减少 API 调用次数

结论

多模态 AI 是人工智能最接近人类理解能力的方式。图像、文本和音频模态的结合使创建更强大、更实用的 AI 应用成为可能。

在 Veni AI，我们开发多模态 AI 解决方案。如有项目需求，欢迎联系我们。

多模态人工智能系统：图像、文本与音频分析