SepGen：单模型实现多声源音频视频分离与生成

SepGen 是一个统一模型，能在单次采样中生成视频、混合音轨及每个标注声源的独立波形，支持生成和分离两种模式。在生成模式下，每个声源由文本描述指定内容；在分离模式下，模型可从混合音频中提取指定声源。该模型在合成场景和真实录音上均优于语言条件分离器，尤其在语音分离任务中表现突出。代码、检查点和数据集已开源，地址为 https://sepgen.github.io/。