RTFS-Net

视听语音结合（AVSS）技术旨在通过面部信息从混合旌旗灯号中结合出目标措辞者的声音。这项技术能够应用于智能助手、远程会议和增强现实等应用，改进在嘈杂环境中语音旌旗灯号质量。传统的视听语音结合格式依赖于复杂的模型和大量的盘算资源，尤其是在嘈杂背景或多措辞者场景下，其本能往往受到限制。为了突破这些限制，基于深度学习的格式开始被研究和应用。然而，现有的深度学习格式面临着高盘算复杂度和难以泛化到未知环境的…