本文提出一种弱监督音频字幕生成方法，仅需文本数据和预训练CLAP模型，无需配对音频字幕。该方法利用CLAP音频与文本嵌入的相似性，训练时从文本嵌入重构文本，推断时用音频嵌入解码，并桥接模态差距。在Clotho和AudioCaps数据集上达到全监督方法83%的性能。

该文综述音视频同步的多模态学习方法，涵盖基于Transformer的架构、自监督时间同步、跨模态嵌入、动态三元组损失及课程学习，并构建VGG-Sound Sync等数据集，验证其在稀疏与密集同步任务上优于先前技术。