在3D-Speaker项目中，结合视觉信息的说话人日志系统是如何工作的？
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
在3D-Speaker项目中，结合视觉信息的说话人日志系统通过两个主要的识别路线工作。一方面，声学编码器提取包含说话人信息的声学特征；另一方面，视觉模态识别pipeline分析和提取人物脸部的活动特征。这两个路线通过一个联合的多模态无监督聚类模块结合，以识别出当前画面中正在说话的人物信息，并得出最终的识别结果。
评论
全部评论 (0)