高效的音視頻語音識別模型：雙重Conformer交互模組

提出一種新的音視頻語音識別模型架構，利用雙重Conformer交互模組(DCIM)實現跨模態信息高效交換,並設計了一種預訓練策略進一步提升性能,在保持高性能的同時大幅降低了模型參數數量。