文档理解（Document Understanding）是AI领域的一项核心技术，它利用自然语言处理、计算机视觉和大模型能力，将PDF、扫描件、图片等非结构化文档转化为结构化数据。广泛应用于合同审核、发票识别、简历解析等场景，帮助企业提升文档处理效率。

OCR增强是在传统光学字符识别基础上，通过深度学习和图像预处理技术，大幅提升复杂场景下文字识别准确率的解决方案。它不仅解决“看清楚字”的问题，还能理解倾斜、模糊、变形甚至手写文字，广泛应用于文档数字化、票据识别、工业质检等领域。

图文检索是一种跨模态搜索技术，允许用户通过文本描述找到匹配的图片，或通过图片找到相关的文字内容。它融合计算机视觉与自然语言处理，驱动着电商、社交媒体、图像管理等场景的智能搜索功能。

视觉语言模型（VLM）是能够同时处理图像和文本的多模态AI系统，能够实现看图说话、图文问答、图像描述生成等任务，是连接计算机视觉与自然语言处理的关键技术。

视频理解模型是一种能够自动分析、识别和解释视频内容的人工智能技术，它融合了计算机视觉、自然语言处理和时序分析，让机器像人类一样理解视频中的场景、动作、物体、对话和事件。

音视频理解是AI同时处理视频中的视觉与听觉信息，实现场景描述、事件检测、内容检索等任务的技术，是视频AI从“看懂”迈向“听懂”的关键跨越。

流式ASR（流式自动语音识别）是一种能在说话过程中实时将语音转写成文字的技术，与传统的非流式ASR不同，它无需等待用户说完完整句子即可逐步输出结果，广泛应用于实时字幕、语音助手、会议转写等场景。本文将拆解其核心逻辑、关注原因及常见误区。

低延迟TTS通过优化模型架构和推理引擎，将语音合成延迟压缩到毫秒级，实现实时对话式交互，广泛应用于语音助手、实时翻译、游戏配音等场景。