Meta SAM音频：一键分离视频中的指定人声
12 月 17 日消息，Meta 今日发布了首个统一的多模态音频分离模型 —— SAM Audio。Meta 表示 SAM Audio 是一个“最先进的统一模型”，通过使用自然的、多模态的提示，使
12月17日，Meta推出了一款名为SAM Audio的统一多模态音频分离模型，这是该公司在该领域的首次尝试。
Meta将SAM Audio称为一种“先进的统一模型”，它通过自然的多模态提示来简化音频处理流程，能够轻松地从复杂的混合音频中分离出任何指定的声音——无论是通过文本、视觉提示还是时间戳标记。这种直观的方式模拟了人类与声音互动的自然模式，使得音频分离技术变得更易于使用和实用。
SAM Audio的核心是感知编码器视听模块（PE-AV），这是一个实现先进功能的技术引擎。它基于Meta今年早些时候开源共享的感知编码器模型框架构建，能够帮助开发更先进的计算机视觉系统，以协助日常任务，其中就包括声音检测。
Meta将PE-AV形象地比喻为“耳朵”，协助SAM Audio这个“大脑”完成音频分割任务。例如，对于一段乐队演出的视频录像，用户只需点击一下吉他，就能分离出纯净的吉他音频。
SAM Audio还能借助文本提示来分离音频，例如从户外拍摄的视频中过滤掉嘈杂的交通噪音。此外，其跨模态提示功能可以帮助人们一次性解决音频问题，比如在整个播客录音中过滤掉狗叫声等背景噪声。
SAM Audio提供了三种音频分割方法，可以单独使用或任意组合以达到所需效果：
文本提示：输入“狗吠”或“人声演唱”来提取特定的声音。
视觉提示：在视频中点击正在说话的人或发声的物体，以分离其音频。
时间段提示：这是行业内首创的方法，允许用户标记目标音频出现的时间段，其体验类似于游戏《赛博朋克2077》中的超梦功能。
Meta还同步发布了SAM Audio-Bench，这是首个真实场景下的音频分离基准测试集；以及SAM Audio Judge，这是首个用于音频分离的自动评估模型。
同日，Meta还发布了第二个模型——感知编码器视听模型，它是SAM Audio成果的核心引擎。它支持核心组件，如主要的字幕生成模型和SAM Audio Judge。该模型基于Meta于四月发布的开源模型Meta Perception Encoder构建，PE-AV将计算机视觉能力扩展到了音频领域。
SAM Audio的访问地址如下：
https://ai.meta.com/samaudio/
https://github.com/facebookresearch/sam-audio
你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Meta SAM音频：一键分离视频中的指定人声要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题
游乐网为非赢利性网站，所展示的游戏/软件/文章内容均来自于互联网或第三方用户上传分享，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系youleyoucom@outlook.com。
相关热点先来看看Remaker AI这款工具。它的定位非常清晰——专注于解决图像处理中的常见难题：水印、文字、多余元素，以及低分辨率图像的修复与放大。无论是设计师、社交媒体运营人员，还是普通用户，只要遇到需要“清理”图片的场景，它都能轻松应对。下面直接了解它的适用人群和实际能力。 需求人群 Remaker
文心大模型覆盖文化传媒、艺术创作、教育科研、金融保险、医疗健康等需文字与创意的场景，集成文本生成、文生图、智能对话、信息抽取、文本纠错、古诗创作、文案续写等十余种文字处理能力。
今天我们来聊一款非常实用的浏览器工具——Ask AI Browser。如果你经常在Google上搜索问题，又希望随时与AI对话，或者在浏览各类网站时想直接向AI提问，那么这款工具可能会为你的日常浏览体验带来显著提升。 目标用户群体 简单来说，它主要面向以下几类用户：在Google上搜索问题时，希望无
说起来，联通云盘这事儿，其实就是中国联通在云存储这条赛道上的一次重要布局。目标很明确：为个人和家庭用户解决海量数据存储的刚需。具体能干啥呢？个人云、家庭云、微信 通讯录 相册备份、多端文件共享……说白了，就是从存储到共享的一条龙服务。 联通云盘官网网页版登录入口网址：https: pan wo c
- 日榜
- 周榜
- 月榜
热点快看