基于Transformer和ResNet模型，预测您提供的视频相对应的语音识别结果。
（目前仅支持英文类型的视频）
技 术 路 线
基于Transformer和ResNet的模型结构
Encoder阶段，将STFT应用于音频获得语谱图，通过3D卷积+残差网络处理视频序列的特征；
之后每个模态分别进入一个Transformer解码器进行分类
模 型 特 点
接受多种类型的输入参数（纯音频，纯视频，视听联合）
在噪音环境下仍能保证语音识别结果的准确率
多模态视听识别