视听语音分离
ICLR 2024 | 为音视频分离提供新视角,清华大学胡晓林团队推出RTFS-Net
视听语音分离(AVSS)技术旨在通过面部信息从混合信号中分离出目标说话者的声音。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信号质量。传统的视听语音分离方法依赖于复杂的模型和大量的计算资源,尤其是在嘈杂背景或多说话者场景下,其性能往往受到限制。为了突破这些限制,基于深度学习的方法开始被研究和应用。然而,现有的深度学习方法面临着高计算复杂度和难以泛化到未知环境的挑战。具体来说,当前视听语音分离方法存在如下问题:时域方法:可提供高质量的音频分离效果,但由于参数较多,计算复杂度较高,处理速度
3/6/2024 2:24:00 PM
机器之心
- 1
资讯热榜
使用 VLLM 部署 DeepSeek:基于 Ubuntu 22.04 + RTX 4090 + Docker 的完整指南
DeepSeek官方澄清:R2模型3月17日发布传闻为假消息
RAGFlow自动化脚本套件:自定义解析+回答质量评估+参数自动调优
百度AI开源表格识别模型PP-TableMagic
DeepSeek R2 或于3月17日发布,将撼动Claude Sonnet 3.7的地位
32B IOI奥赛击败DeepSeek-R1!Open R1开源复刻第三弹,下一步R1-Zero
OpenAI突然发布智能体API!支持网络和文件搜索以及computer use
奥尔特曼预告创意文学模型,称其首次被 AI 作品打动
标签云
人工智能
OpenAI
AIGC
AI
ChatGPT
AI绘画
DeepSeek
数据
机器人
谷歌
大模型
Midjourney
智能
模型
用户
学习
GPT
开源
微软
AI创作
图像
Meta
技术
论文
Stable Diffusion
马斯克
算法
生成式
蛋白质
芯片
Gemini
代码
神经网络
计算
腾讯
研究
Sora
AI设计
3D
AI for Science
英伟达
GPU
开发者
机器学习
场景
预测
华为
伟达
Transformer
Anthropic
模态
百度
深度学习
AI视频
驾驶
文本
苹果
搜索
神器推荐
算力
LLaMA
Copilot
安全
科技
xAI
视频生成
应用
人形机器人
字节跳动
干货合集
具身智能
2024
视觉
大语言模型
特斯拉
AGI
亚马逊
语音
Claude
AI应用场景