برای انجام این کار، هر فریم ویدیو از طریق API به مدل GPT-4 Vision داده شده تا آن را توصیف کند. در قدم بعدی متن خروجی GPT-4 به مدل تبدیل متن به صدای OpenAI داده شده تا این متن را با صدای طبیعی به عنوان گزارشگر تبدیل کند.
برای انجام این کار، هر فریم ویدیو از طریق API به مدل GPT-4 Vision داده شده تا آن را توصیف کند. در قدم بعدی متن خروجی GPT-4 به مدل تبدیل متن به صدای OpenAI داده شده تا این متن را با صدای طبیعی به عنوان گزارشگر تبدیل کند.
