热点事件持续更新
Watch Your Speech：基于文本条件化的视频到语音合成方法
1 篇报道1 个报道来源2 小时前 更新
先了解这件事
AI 综述
2026-10-02，arXiv 发表一手研究 Watch Your Speech（WYS），提出基于文本条件化的视频到语音合成框架，通过注意力嵌入融合模块整合文本与视频序列，并采用条件流匹配目标生成高保真语音。在 LRS2 和 LRS3 数据集上，WYS 在音频视觉同步（LSE-C/D）达到新 SOTA，同时保持有竞争力的文本准确率（WER），主观评估显示生成语音接近人类自然度。
AI 根据报道生成 · 1 小时前更新
最新进展10月2日 12:00
WYS 在 LRS2/LRS3 上音频视觉同步达新 SOTA，主观自然度接近人类。报道时间线
沿着报道，了解事件的不同侧面。
10月2日
- arXiv · Computer VisionWatch Your Speech：基于文本条件化的视频到语音合成方法
Watch Your Speech（WYS）提出一种基于文本条件化的视频到语音合成框架，通过注意力嵌入融合模块整合文本与视频序列，并采用条件流匹配目标生成高保真语音。在 LRS2 和 LRS3 数据集上，WYS 在音频视觉同步（LSE-C/D）达到新 SOTA，同时保持有竞争力的文本准确率（WER），主观评估显示生成语音接近人类自然度。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。