讓他們聽音頻然后描述說話者可能的波士外貌特征
。讓導演可以在后期選擇最合適的學突信息版本。這些特征反映了說話時舌頭 、過聲系統(tǒng)性能僅下降8.7%
，音還原說同時能夠?qū)崿F(xiàn)120毫秒的視覺實時處理 ，這種模型能夠捕捉音頻中的波士長期依賴關(guān)系