本文介绍了一种名为SoundVista的新方法，通过视觉-声学绑定从新视角合成环境声音。该方法不依赖声源细节的先验知识，适应不同房间布局和麦克风配置，在多种环境中表现出显著改进。

我们提出了AutoCap和GenAu两种新模型来解决环境声音和效果生成问题。AutoCap利用音频元数据提高标题质量，GenAu通过使用新数据集训练改善音频质量。