ამის მისაღწევად გუგლმა ე. წ. ხედვის ენობრივი მოდელები VLM-ები გამოიყენა, რომლებიც სურათებსა და ვიდეოებზე იწვრთნება
უსმინე პირდაპირ ეთერს
