一种文本、图像和视频多模态融合的文本生成方法及系统

本发明属于网络空间认知域技术领域，公开了文本、图像和视频多模态融合的文本生成方法及系统。该方法基于用户发布的图像、视频和文本内容，通过大模型提取多模态中的重要特征，生成相关描述并促进描述信息共享，抽取出关键信息与核心概念实现不同模态间的深度整合，最终在大模型基础上生成符合语境的精确文本。本发明实现了多模态融合，提供清晰且精确的视觉信息，解决文本生成内容角度单一，减少了文本生成中的表达模糊性的问题。