si potrebbe fare in vari modi: addestrando un modello su svariate associazioni tra le frequenze dei suoni e i pixel delle immagini corrispondenti, oppure (cosa più semplice), si potrebbe fare una cosa concettualmente identica a deepseek ocr 2 (è molto recente, questo è l'articolo: https://arxiv.org/abs/2601.20552 ) cioè: dato un audio in input, vi è un piccolo LLM multimodale che elabora i token dell'audio al fine di estrarre un markdown oppure un json da fornire ad un modello di generazione di immagini che normalmente partirebbe dal formato testuale (modificato)