大佬之後會有音頻模型(或是附加音頻的三模態)嗎?

大佬之後會有音頻模型(或是附加音頻的三模態)嗎? 一直想找個項目試試, 大部份要嘛太雜, 要嘛就是不支持windows, 大佬之後能弄一個音頻模態的模型訓練嗎?