本研究提出了M2S框架，旨在解决生成丰富长篇文本描述的不足，特别是结合视频和音频的描述。M2S框架通过音频、视频和角色识别，展示了在多模态文本生成领域的优越性和良好的可扩展性，具有重要的研究潜力。