CrossEdit论文：跨模态训练实现音视频编辑

研究者提出 CrossEdit，一个面向图像、音频与视频的统一全模态编辑模型，声称可零样本完成音视频电影场景编辑。其方法利用声学信号的加性特性，程序化生成大规模组合式音频编辑对，并结合自监督 AV 掩码重建与精选跨模态任务微调，使指令遵循能力迁移到未见的模态与指令组合。该成果发布于 arXiv 的 Audio and Speech 栏目，属一手研究报道。目前尚无第三方验证或后续进展披露，报道也未给出具体量化指标或开源信息。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。