Video yükleniyor...

Video Yüklenemedi

Ana Sayfaya Dön

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

16,262 görüntüleme • 20 gün önce •via X (Twitter)

2 Yorum

Hao profil fotoğrafı
Hao19 gün önce

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.

Marvin profil fotoğrafı
Marvin20 gün önce

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。

Benzer Videolar