本研究通过微调Whisper模型和大语言模型后期编辑，显著提高了爱沙尼亚电视字幕的质量，接近人类标准，并可扩展至实时应用。

本论文研究了一种基于kNN记忆的图像字幕生成方法，利用外部语料库检索知识辅助生成过程。实验结果表明，采用外部存储器可以提高字幕质量。该研究为图像字幕生成模型的改进提供了新的途径。