Multimodal

1

Leçon 1: Panorama du multimodal

1 heure

2

Leçon 2: CLIP : aligner texte et image

2 heures

3

Leçon 3: Recherche d'images par texte avec CLIP

1 heure et 30 minutes

4

Leçon 4: BLIP : captioning d'images

1 heure et 30 minutes

5

Leçon 5: LLaVA et les VLMs : question answering visuel

2 heures

6

Leçon 6: GPT-4V, Claude Vision, Gemini : les modèles commerciaux

1 heure et 30 minutes

7

Leçon 7: Audio : Whisper pour l'ASR

1 heure et 30 minutes

8

Leçon 8: Génération audio : MusicGen et Bark

1 heure et 30 minutes

9

Leçon 9: Text-to-speech et cloning vocal

1 heure et 30 minutes

10

Leçon 10: TP : captioning d'images avec BLIP

2 heures

11

Leçon 11: TP : pipeline vidéo → transcription → résumé → image

3 heures

12

Leçon 12: Synthèse multimodal

1 heure