LAVCap은 오디오-비주얼 캡셔닝을 위한 대규모 언어 모델(LLM) 기반 프레임워크입니다. 기존 방법들의 오디오 및 비주얼 데이터 융합의 어려움을 해결하기 위해 최적 전송(Optimal Transport) 기반 정렬 손실과 최적 전송 어텐션 모듈을 제시합니다. 이를 통해 오디오와 비주얼 피처 간의 모달리티 간극을 해소하고, 더욱 효과적인 의미 추출을 가능하게 합니다. AudioCaps 데이터셋에서 기존 최첨단 방법들을 능가하는 성능을 보이며, 대규모 데이터셋이나 후처리 없이도 우수한 결과를 달성합니다. 소스 코드는 공개되어 있습니다.