Как заставить LLM анализировать аудио, как в ComfyUI с изображениями?

Пользователь спрашивает о реализации мультимодального анализа аудио с помощью больших языковых моделей. Вопрос касается аналогии с ComfyUI, где модель обрабатывает изображения, и ищет способы подключения аудиопотока для его интерпретации и объяснения.