零對應跨模態轉換的模塊化語音轉文本翻譯

本文提出了一种基于Transformer模型的方法来学习上下文相关的多语言多模态嵌入，以提高非英语语言的视频搜索效果。该方法引入多语言多模态预训练策略，并收集了一个新的多语言教学视频数据集进行预训练。实验结果表明，该方法在多语言文本到视频搜索和多语言文本到图像搜索方面优于基准线。