Vài ngày trước, tôi đã xem một video có tên "Kính Mộng Duyên", có âm thanh và hình ảnh, sự nhất quán giữa âm thanh và hình ảnh rất tốt. Hiện nay, việc tạo hình ảnh thành video đã khá phát triển, nhưng việc kết hợp âm thanh và hình ảnh, chính xác đồng bộ khẩu hình, biểu cảm và giọng nói vẫn không dễ dàng. Sau đó, tôi được biết video này hoàn toàn được tạo ra bởi mô hình video của Baidu Steam Engine, có khả năng hỗ trợ rất tốt cho việc tạo âm thanh, đặc biệt là giọng nói tiếng Trung.