清华开源音视频提声模型 Falcon，0.5M 参数实时看嘴型提取人声

清华团队开源并发布入选 NeurIPS 2026 的音频-视觉目标说话人提取模型 Falcon，可在多说话人嘈杂环境中通过「看嘴型」实时提取指定人物的声音，并接入腾讯会议、Zoom 等软件。与传统纯音频方案不同，该模型仅需约 0.5M 参数，参数量节省 91.9%，延迟降低 11 倍。团队同时配套开源了代码、Hugging Face 模型、在线 demo 及 RealSSA 基准。

2026-10-31 ~ 2026-10-31 · 2 条相关

• 清华团队开源 Falcon：看嘴型定向提人声，参数省 91.9%、延迟降 11 倍 — aigclink · 2026-10-31
• 清华 Falcon 登 NeurIPS：0.5M 参数实时「看嘴提声」，附 RealSSA 基准 — aigclink · 2026-10-31