2025年12月17日，Meta发布了首个统一的多模态音频分离模型SAM Audio，可通过文本、视觉或时间段提示从复杂音频中分离特定声音。该模型基于感知编码器视听（PE-AV）技术，支持点击视频中的物体、输入文本指令或标记时间范围来提取目标音频，如点击吉他分离其演奏声，或过滤播客中的狗叫噪音。Meta同时推出评估基准SAM Audio-Bench与自动评测模型SAM Audio Judge，并已开源模型代码与技术细节。

免责声明：本文内容由开放的智能模型自动生成，仅供参考。