Tạo chú thích hình ảnh là công nghệ sử dụng AI để phân tích nội dung của hình ảnh và tự động tạo văn bản giải thích nghe có vẻ tự nhiên.
Tạo chú thích hình ảnh là công nghệ trích xuất các đặc điểm hình ảnh bằng CNN hoặc Vision Transformer và chuyển chúng thành văn bản giải thích bằng mô hình ngôn ngữ và được coi là một ứng dụng điển hình của AI đa phương thức. Nó được sử dụng rộng rãi để tự động tạo mô tả sản phẩm EC, tạo thuộc tính alt cho người khiếm thị và cải thiện khả năng tìm kiếm của thư viện ảnh. Trong các hoạt động thực tế kể từ năm 2026, xu hướng chủ đạo sẽ là gọi LLM đa phương thức như GPT-4o hoặc Gemini thông qua API, thay vì tự học một mô hình chuyên dụng. Những cạm bẫy phổ biến trong lĩnh vực này bao gồm nhận dạng sai các danh từ riêng như tên sản phẩm và tên thương hiệu, nhầm lẫn chủ đề trong hình ảnh với nhiều chủ đề và ảo giác trong đó các chi tiết của câu được tạo ra trái ngược với hình ảnh thực tế. Về chi phí, API trả tiền theo mức sử dụng là phương pháp chính và số lượng trang được xử lý càng lớn thì việc quản lý chi phí dựa trên điều kiện thị trường càng quan trọng. Khi thực hiện các lựa chọn tại chỗ, điều thiết thực là thiết kế các mô hình và hệ thống đánh giá riêng biệt cho các mục đích sử dụng ưu tiên tốc độ và chi phí, chẳng hạn như thuộc tính thay thế và các thuộc tính ưu tiên độ chính xác, chẳng hạn như mô tả sản phẩm.