研究人员开发了Tap2Listen,这是一种新颖的流式音视频目标说话人提取模型,能够即时切换焦点到不同的说话人。该系统克服了先前模型固定于单一说话人的局限性,实现了对对话动态的实时适应。该模型通过按模态分离计算来实现这一点,其中音频编码器处理混合信号,而选定面部的视觉线索则对解码器进行条件化。在LRS3-2mix数据集上的评估显示,在目标切换后,SI-SNRi得到改善,并能立即输出全质量结果,该模型在单个CPU核心上运行效率很高。 AI
影响 在实时应用中实现更自然、响应更快的多人交互。
排序理由 详细介绍新模型及其性能的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →