该文介绍了一种新的跨模态语义过滤（CMSF）方法，用于解决语音-视觉分割（AVS）中的问题。该方法利用现有的多模态基础模型来准确地关联潜在的音频-掩码对，并在复杂情景中的多个听觉对象上表现优异，特别是在重叠前景对象方面表现困难的情况下，仍能准确地分割重叠的听觉对象。