第 4 节 · 本站原创中文课程 · 建议 25 分钟
把图片与语音接入记忆
学完能做：保留转换与原始来源。
多次转换都可能错误
语音转写、OCR、对象检测与嵌入可能失真。保留文件ID、时间段、识别文本、模型和人工确认状态，说明记忆来自人还是机器。
图文空间要兼容
共享图文模型能用文本检索图像；任意文本与图像向量不能直接比。先转描述再文本检索也可行，但可能漏细节。
照片 → 文件ID/时间 → 图像模型/向量 → 人工标签
语音 → 音频ID/时间段 → 转写/需复核片段
答案 → 引用具体原资料，不凭相似度确认身份。少样本识别保留不确定性
角度、光照与遮挡会误判。候选相似与用户确认是不同状态。物品检索原型不能当成身份识别系统。
这是本站独立编写的讲解与示例，并非官方课程逐字翻译。理解之后，请完成下面的练习、自测和笔记。