OCR-pipeline
Text på skärmen och i tryck extraheras per segment, kopplat till tidskoder.
Start · Plattform · Arkitektur
Multimodal arkitektur
Payloads, fusion, OCR-pipelines och tidslinjeindexering — hur VisionaryAI Suite går från råmedia till sökbar multimodal intelligens.
Multimodala payloads
VisionaryAI Suite bygger OpenAI-kompatibla vision-payloads som inkluderar faktiska bildrutor tillsammans med taltranskript, OCR-utdrag och kontextuell metadata. Modellen ser pixlar — inte bara befintliga taggar.
Payload-montering respekterar tokenbudgetar, bildrutegränser och modellkapacitet. När vision-payloads inte är tillgängliga faller programmet tillbaka till textbaserad analys med tydliga sessionsignaler.
Multisignal-fusion
BLIP, CLIP, OCR, tal, metadata och Vision LLM-utdata kombineras till sammanhängande tidslinjeintelligens. Fusion körs i skrivbordspipelinen med live-loggning så att tekniska användare kan följa varje steg.
Tallager
Whisper-transkription med Smart Whisper-profiler i trial 1.5.2.
Visuella embeddings
CLIP/BLIP-signaler kompletterar Vision LLM-narrativ.
Tidslinjegrundning
Visuell förståelse kopplas till exakta tidslinjehändelser — sökbara multimodala ögonblick i hela biblioteket. Händelser sparas i .vtag-sidecars och matar Semantic Memory.
Arkitekturen är modulär och local-first: analysmotorer, metadataflöde, LLM-lager och GUI samverkar på din maskin. .vtag och XMP-export ger öppna vägar mot kataloger och framtida integrationer.