我們正在開源感知編碼器視聽（PE-AV），這是幫助推動SAM Audio最先進音頻分離的技術引擎。 PE-AV基於我們今年早些時候的感知編碼器模型，將音頻與視覺感知整合，實現了在各種音頻和視頻基準測試中最先進的結果。其原生的多模態支持可以幫助人們完成日常任務，包括聲音檢測和更豐富的音視覺場景理解。 🔗 閱讀論文： 🔗 下載代碼：