sam-audio

SAM-Audio 是一个用于音频声源分离的多模态基础模型，支持通过文本描述、视觉线索（如视频帧）或时间区间等提示方式，从混合音频中精准分离指定声音。其核心技术基于 Perception-Encoder Audio-Visual（PE-AV）架构，结合大模型推理与跨模态对齐能力，提供端到端的音频分割与分离功能。适用于音视频内容编辑、语音增强、声学场景分析、无障碍辅助及科研中的细粒度音频理解等任务，需 CUDA GPU 加速运行。