动态门控

视觉-语音模型：教语音模型谈论图像

Vision-Speech Models: Teaching Speech Models to Converse about Images

为预训练语音模型通过轻量适配模块注入视觉理解能力，并设计动态门控机制在视觉输入与无关对话间切换，为构建实时多模态语音对话系统提供可复用方案。