**SepGen：单模型实现多声部音视频分离与生成**

_SepGen: Multi-Stem Audio-Video Separation and Generation in a Single Model_

> SepGen 扩展了预训练音视频生成器，能在单次采样中同时输出视频、混合音轨及每个声源的独立波形。该模型支持生成与分离两种模式，可根据文本描述合成多声部音频或从混合录音中解耦特定声源。实验表明，其在语音分离任务上优于基于语言条件的传统分离器，代码与模型已开源。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-12 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.11361)