扁平化科技风文本生成音频处理插画素材

绘制深度学习多模态融合架构图，学术论文风格：输入（左侧）：- 深蓝色立方体：标注"z_audio"- 深蓝色立方体：标注"z_spec"- 浅灰色文档图标：标注"元数据"文本生成模块（上方，用虚线框框起来）：- 标题："三层文本生成"- 三个并列的彩色卡片： 1. 绿色卡片：标注"L1: cargo ship"，副标题"粗粒度-类别" 2. 黄色卡片：标注"L2: 50000-ton, 4-blade..."，副标题"中粒度-属性" 3. 红色卡片：标注"L3: blade freq 10.5Hz..."，副标题"细粒度-声学"- 箭头指向橙色立方体：标注"BERT Encoder"多层次对齐模块（中间，核心创新）：- 三个并列的浅色矩形框： 1. 蓝框：标注"粗粒度对齐"，显示 z_audio_global ↔ z_text_L1 2. 绿框：标注"中粒度对齐"，显示 z_spec_medium ↔ z_text_L2 3. 红框：标注"细粒度对齐"，显示 z_spec_blade ↔ z_text_L3- 每个框内显示InfoNCE图标融合层（下方）：- 紫色立方体：标注"Cross-Attention Fusion"- 箭头指向浅蓝色立方体：标注"Joint Transformer"- 输出：深蓝色立方体，标注"z_fused"风格要求：- 层次分明的布局- 使用渐变色区分不同粒度- 双向箭头表示对齐关系