该工作设计了一个基于在线会议平台的AI辅助插件，通过视觉字幕推荐多种方式的视觉图像，帮助人们理解他人的话语。作者通过众包完成了一个涵盖超过1500个用户意图的数据集，并通过微调语言模型进行视觉字幕的预测。用户可以浏览备选的视觉图像并选择将其公开展示。该工作设计了三种交互模式，根据用户请求、根据AI推荐和AI全自动。通过多个用户实验，发现视觉说明可以帮助用户理解不熟悉的概念、减少语言中的模糊性，并且不同人在不同场景下对于交互模式的偏好具有差异。