李岩在演讲中表示，多模态技术有两大应用方向，一是会改变人机交互的方式，二是将使信息分发更加高效；视频本身就是一个多模态的问题，而快手则拥有海量的多模态数据，多模态的研究对于快手来说是非常重要的课题；目前快手已经在语音识别与合成、智能视频配乐、通过2D图像驱动3D建模特效、视频精准理解等领域对多模态技术进行研发应用。
以下为演讲的主要内容：
大家好，首先我来简单介绍一下快手，在这个平台，用户能够被广阔的世界看到，也能够看到广阔的世界，我们可以看一下快手的数据： 70亿条视频总量、1500万日新增视频，日均的使用时长超过60分钟等，所以快手平台上有非常多的多媒体数据，同时也有非常多的用户交互数据，比如我们每天有1.3亿用户观看超过150亿次视频的播放数据。
我们知道视频是视觉、听觉、文本多种模态综合的信息形式，而用户的行为也是另外一种模态的数据，所以视频本身就是一个多模态的问题，再加上用户行为就更是一种更加复杂的多模态问题。所以多模态的研究对于快手来说，是非常重要的课题。
多模态技术两大应用方向：人机交互与信息分发
我认为多模态技术会有两大主要的应用。
第一，多模态技术会改变人机交互的方式，我们与机器交互的方式将会越来越贴近于更令人舒适、更自然的方式。
第二，多模态技术会使得信息的分发更加高效。
多模态技术研究的三个难点：语义鸿沟、异构鸿沟、数据缺失
其实在目前来看，多模态研究难度还是非常高的。
其中大家谈得比较多的是语义鸿沟，虽然近十年来深度学习和大算力、大数据快速发展，计算机视觉包括语音识别等技术都取得了非常大的进展，但是截至现在，很多问题还没有得到特别好的解决，所以单模态的语义鸿沟仍然是存在的。
再者，由于引入了多种模态的信息，所以怎样对不同模态之间的数据进行综合建模，会是一个异构鸿沟的问题。
另外，做语音、做图像是有很多数据集的，大家可以利用这些数据集进行刷分、交流自己算法的研究成果。但是多模态的数据集是非常难以构建的，所以我们在做多模态研究时是存在数据缺失的问题的。
下面我会分享我们在多模态这个方面所做的事情，以及这些技术是怎么样帮助快手平台获得更好的用户体验和反馈的。
多模态技术如何实现更好的记录
首先，多模态技术将实现更好的记录。随着智能手机的出现，每个人都可以用手机上摄像头去记录周围的世界，用麦克风去存储周围的音频信息；而在以前，生成视频，尤其生成一些比较专业的视频，都是导演*事情。但现在，我们通过手机就能够做到，这里面会有非常多的多模态技术研究来辅助人们更好地记录。
我们希望整个记录过程是更加便捷、个性化、有趣，同时也是普惠的，具体我将分别通过四个案例分享。
1、语音转文字打造便捷字幕生成体验
一个视频里，音频部分对于整个视频的信息传递是非常重要的。网上有很多带有大量字幕的、以讲述为主的视频，这样的视频制作其实是一件很麻烦的事情，因为一个一个去输入文字是很痛苦的，像过去在广电系统专业工作室就需要很多用于字幕编辑的工具软件。而如果我们通过语音识别技术，把语音直接转成文字，就可以很轻松地通过手机编辑生成一个带字幕视频。
2、语音合成实现个性化配音
另外一个技术叫做个性化配音，假如在一个视频中，你不喜欢听男性配音，而希望听到由一位女士配音，我们就可以通过语音合成技术满足个性化的诉求。
语音识别及合成技术都会使我们记录的过程变得更加便捷、有趣，但这两个技术在做视觉或者多媒体的圈子里面关注度不是特别高，只是偶尔会在做语音的圈子里去聊这些问题。包括在语音圈子里面，语音识别和合成现在往往是两波人在做。
随着深度学习技术的出现，语音识别和合成这两个问题其实在某种程度上是非常对称的，因为语音识别是从语音到文字，语音合成是从文字到语音。语音识别的时候，我们提取一些声学的特征，经过编码器或者Attention的机制，实现从语音到文字的转化；语音合成的技术和算法，其实也涉及编码器或者Attention的机制，二者形成了比较对称的网络。所以我们把语音识别和合成看成是一个模态转换的特例，从神经网络建模角度来看，是一个比较一致、容易解决的问题。
