본 논문에서는 청각, 시각, 시청각 음성 인식 작업을 단일 모델로 통합하여 학습하는 방법을 제안하며, 이를 통해 개별 모델을 사용하는 것보다 성능이 향상되고, 자기 지도 학습 및 준지도 학습 기법을 통해 레이블이 지정되지 않은 데이터를 효과적으로 활용하는 방법을 제시합니다.
