एकत्रित मल्टीमॉडल पाइपलाइन
टेक्स्ट, प्रतिमा आणि संदर्भ व्हिडिओ इनपुट्स एका सर्व्हर-साइड ऑर्केस्ट्रेटरमधून वाहतात जो प्रत्येक दृश्यासाठी योग्य फाउंडेशन मॉडेल निवडतो, प्रदात्यांमध्ये पॅरामीटर्स सामान्यीकृत करतो आणि एक सुसंगत आउटपुट फॉरमॅट परत करतो. तुम्ही एक प्रॉम्प्ट लिहिता; आम्ही मॉडेल निवड, गुणोत्तर अनुकूलन आणि ऑडिओ सिंक हाताळतो.