AutoFoley 是一种全自动深度学习工具，能够生成与视频同步的逼真音轨。该系统通过提取视频中的关键情节，利用深度学习模型生成音效，简化声音设计过程。研究表明，基于 Transformer 的架构在匹配视觉模式方面表现优秀，Foley Music 系统能生成高质量音乐，优于现有系统。