Video wird geladen...

Video konnte nicht geladen werden

Zur Startseite

Efficient Streaming Audio-Visual Target Speaker Extraction for Real-World Acoustic Scenes paper:

16,262 Aufrufe • vor 20 Tagen •via X (Twitter)

2 Kommentare

Profilbild von Hao
Haovor 19 Tagen

For video calls I'd check lip sync first. Studio's README lists about 0.7-0.8s of designed delay. Meeting video isn't delayed with the audio. The paper's 51ms is GPU inference.

Profilbild von Marvin
Marvinvor 20 Tagen

RealSSA 把近场、远场和人数变化放进来,这个测试设置更贴近会议。还想看目标说话人转头或嘴部被遮挡时,提取效果会掉多少。

Ähnliche Videos