清华团队发布 Falcon 音视频说话人提取模型，大幅降参提速

清华大学与青海大学团队发布 Falcon，一个面向真实声学场景的轻量级因果流式音视频目标说话人提取（AVTSE）模型。它利用目标说话人的嘴部视频，从噪声与多人重叠语音中提取其声音，采用单遍多尺度时频分离器与编码器空间架构，参数量减少 91.9%，推理延迟降低 11 倍，可适配延迟敏感的流式应用。

2026-10-29 ~ 2026-10-30 · 2 条相关

• 清华团队发布 Falcon:轻量流式音视频目标说话人提取 — thu-ml · 2026-10-29
• Falcon 音视频说话人提取模型:参数省 91.9%,推理延迟降 11 倍 — _akhaliq · 2026-10-30