鸡尾酒会场景下的音视频轮次转换预测研究

研究评估了在干净数据上训练的音视频轮次转换预测模型（PTTMs）在 AVCocktail 数据集构建的鸡尾酒会测试平台上的表现，发现噪声条件下音频和视觉模态性能一致下降，加权 F1 最多相对下降 38%。在新领域微调可提升鲁棒性，但增益因模态而异，并取决于可用预训练数据规模。所有代码和轮次标注已公开。