IXThinker·2026-09-16 20:20

音視頻說話人追蹤基準發布 多模態理解升級

線上會議有人發言時畫面自動聚焦、綜藝素材自動辨識誰在說話並生成字幕，背後皆是音視頻說話人追蹤技術。有高校團隊在頂級會議發表新基準，為以人為中心的複雜場景音視頻理解提供統一評測標準。

技術原理簡述

音視頻說話人追蹤讓機器同時利用聽到的聲音與看到的畫面，定位並持續追蹤正在發聲的人。技術融合音頻信號處理與視覺識別，對多模態交互的準確性與實時性要求頗高。