超越像素：音訊、語音與影片

同樣的訣竅，新的感官

你為影像學到的一切，都直接搬得過來。想要聽覺？把視覺編碼器換成一個音訊編碼器，把聲音波形轉成一串特徵向量，透過投影器把它們投影成詞元形狀的向量，拼進序列，再跑同一個多模態模型。這套配方——編碼、投影、拼接——與模態無關。只有前端的編碼器會變。

聽覺：音訊大型語言模型與語音轉文字

音訊大型語言模型（audio LLM）直接把聲音當輸入。這涵蓋很廣：轉錄語音，也包括描述非語音的聲響（「雨聲中有狗在叫」）、回答關於一段錄音的問題（「這段是什麼曲風？」），或分析語氣與情緒。聲音是以頻譜圖（spectrogram）或學到的音訊特徵、而非原始取樣的形式餵進去的，但概念上，它就只是另一串供模型關注的詞元。

語音轉文字（speech-to-text）是最常見的音訊任務，值得單獨點出。經典的轉錄系統只輸出文字；以大型語言模型為基礎的系統則是轉錄兼理解，所以一趟下來就能轉錄一場會議、標出可能是誰說了什麼，並交給你一份附帶待辦事項的摘要。接地仍然重要——摘要該反映實際說過的話，而不是一場聽起來合理的會議。

觀看：影片理解

影片理解（video understanding）是最豐富的感官，因為它多了時間。標準做法簡單到近乎難為情：從影片中取樣畫格（frame，例如每秒一到兩張），用視覺編碼器把每一格當成影像來編碼，再把所有畫格詞元按時間順序鋪進序列裡——有時還和音軌的詞元交錯排列。模型接著就跨畫格推理：「摘要這段影片」、「講者在什麼時候提到價格？」、「那個人是在坐下之前還是之後拿起杯子的？」

新的稅金：時間很貴

動態正是成本爆炸之處。一張影像可能是數百個詞元；以每秒兩格取樣的一分鐘影片就是 120 張影像——數萬個詞元——而音訊還會在上頭再加一串自己的。這直接撞上脈絡長度限制：視窗裝得下的就那麼多，而注意力成本又隨序列長度增長。因此，長影片理解既是一個建模問題，也同等是一個工程問題（聰明地挑畫格、壓縮詞元、高效的多模態詞元化）。

N_{\text{tokens}} \;\approx\; \underbrace{T \cdot f}_{\text{frames}}\, t_{\text{frame}} \;+\; T \cdot t_{\text{audio}}

動態為何是新增的開銷：詞元數量隨時長×影格率×每影格詞元數增長，而音訊還要疊加自己的一路資料流。

音訊大型語言模型：聽得見聲音——能轉錄、描述並推理錄音內容。
語音轉文字：一趟內完成轉錄與理解（分辨說話者、摘要、擷取）。
影片理解 = 隨時間排列的影像：取樣畫格、編碼、排序、推理。
盯緊額度：時間意味著大量詞元——刻意選好你的取樣率。