Recientemente, Wenyi Yu y su equipo de la Universidad Nacional de Singapur presentaron una nueva tecnología llamada video-SALMONN. No solo comprende secuencias de fotogramas visuales, eventos de audio y música en videos, sino que, lo que es más importante, comprende el contenido de voz en los videos. Este avance representa un paso significativo en nuestra capacidad para permitir que las máquinas comprendan el contenido de los videos.