本研究提出了一种新颖的多模态和多尺度空间环境理解方案M2SE-VTTS，旨在提升视觉文本语音合成中的环境语音生成效果。该方法结合RGB和深度图像信息，利用局部与全局空间知识，实验结果表明其优于现有基线模型。

Application of Multi-modal and Multi-scale Spatial Environment Understanding in Immersive Visual Text-to-Speech
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证