提出流式音视频目标说话人提取模型 Tap2Listen
热点事件持续更新
提出流式音视频目标说话人提取模型 Tap2Listen
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Hansol Park 等在 arXiv 论文（arXiv:2610.36643）中提出流式音视频目标说话人提取模型 Tap2Listen，可对面部选择即时响应目标切换，切换仅需 0.12ms 重投影并立即生效。论文称该模型可在单 CPU 核心上实时运行，投稿至 NeurIPS 2026 On-Device Intelligence 工作坊。 在 LRS3-2mix 测试集上，其 SI-SNRi 从基线的 8.85 提升至 9.68 dB；切换到已知人脸后首帧即输出全质量结果，而基线约需 1 秒恢复。
AI 根据报道生成 · 2 小时前更新
最新进展10月28日 12:00
Tap2Listen：流式音视频目标说话人提取的即时目标切换报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv cs.AITap2Listen：流式音视频目标说话人提取的即时目标切换
Tap2Listen 是一个流式音视频目标说话人提取（AV-TSE）模型，可对面部选择即时响应目标切换，切换仅需 0.12ms 重投影并立即生效。在 LRS3-2mix 测试集上，其 SI-SNRi 从基线的 8.85 提升至 9.68 dB，切换到已知人脸后首帧即输出全质量结果，而基线约需 1 秒恢复。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。