MISP 2025挑战聚焦于复杂声学条件下的会议转录，提出音视频说话者分离与识别任务。参与者通过结合音频和视频模态，显著提升了系统准确率，展示了多模态信息在语音处理中的潜力。

本文综述了音视频学习的四个子领域：音视频分离、对应学习、生成和表示学习，探讨了先进方法、面临的挑战及相关数据集。研究提出了新框架和方法，如AudioScope和AV-CIL，显著提升了音视频分离和学习效果。

本文综述了音视频学习的最新进展，探讨了音视频分离、对应学习、生成和表示学习等领域，提出了音频视觉融合模型和联合注意力机制等多种方法，展示了在音视频事件定位和分类任务中的优越性能。同时，强调了改进模型泛化能力的必要性，并发布了AV-SUPERB基准以促进相关研究。