这项调查概述了过去20年来基于视觉的口语模式的演变。这些模型的灵感来源于这样一个观察结果：当孩子们学习一种语言时，他们依赖大量的间接和嘈杂的线索，关键是包括与口语同时出现的视觉形态信号。有几个领域对这种建模或模仿语言学习过程的方法做出了重要贡献：机器学习、自然语言和语音处理、计算机视觉和认知科学。本文件汇集了这些贡献，以便为所有这些领域的从业人员提供有用的介绍和概述。我们讨论了所解决的中心研究问题、发展时间表以及促成大部分工作的数据集。然后，我们总结了主要的建模架构，并对评估指标和分析技术进行了详尽的概述。
