清华团队开源 Falcon 模型，可实时提取指定人物语音

清华团队开源 Falcon 研究，能在多说话人的嘈杂环境中实时提取指定人物的语音，做法是用摄像头看到的目标人物与麦克风听到的声音对应，再提取该人声。效率上，相比 AV-TF-GridNet 可训练参数量减少 91.9%、计算量降低约 20 倍、GPU 推理延迟降低 11 倍；相比同样 50 万参数的 Swift-Net-12，GPU 延迟降低约 70%、计算量减少约 77%。