**Falcon：首个兼顾实时性与轻量化的流式音视频目标说话人提取模型**

_Efficient Streaming Audio-Visual Target Speaker Extraction for Real-World Acoustic Scenes_

> 针对现有流式音视频目标说话人提取（AVTSE）系统在真实场景鲁棒性与边缘部署效率上的双重不足，研究团队提出了 Falcon 模型。该模型通过引入包含可控干扰源与真实录音的 RealSSA 基准测试集，并采用编码器空间对比损失，实现了在单次编码 - 解码过程中完成多尺度时频分离。实验表明，Falcon 在多项基准测试中达到最先进水平，相比主流因果架构，其参数量减少 91.9%，计算量降低 20.2 倍，同时大幅降低了 GPU 推理延迟。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.32749)