音频高光检测就是利用音频信号去找到那些特别激动人心的片段就比如你看一场球赛 只听声音就知道什么时候进球了 比如讲解员突然很激动 观众席掌声 或者播放了音乐等 这些都可以被算法识别出来 → 这些就是可能的“音频高光”。大家都知道音频都有哪些特征呢？大家看一下虽然大家可能都知道这是啥意思？但是我们还是具体来看模型到底是如何检测出这些特征的变化的。

为确保跨系统对齐的可靠性及多源转录的有效整合，必须统一不同自动语音识别系统（ASR）的输出格式。为确保对异常假设的鲁棒性，我们引入了候选过滤模块，该模块通过计算各系统输出与另外两个系统的平均转写结果之间的编辑距离来筛选候选。（对于A的输出，计算它与B,C的平均结果之间的编辑距离，如果A的结果差太多，被排除）（被排除是B，C很权威吗？多系统·集成策略：使用三个语音识别模型，每个语音得到三个不同的转录

意思就是transformer在自动语音识别（ASR）领域占据主导地位，尽管其性能优异，但是由于是采用自回归（AR）解码器逐token 生成输出，导致计算效率低下。为了加速推理，研究者设计了非自回归（NAR）方法（如单步NAR），实现并行生成。然而，由于输出token间存在独立性假设，单步NAR的性能（尤其是大规模语料下）仍逊于AR模型。

sys.path.append 将tired_party/Matcha-TTS目录加入python模块搜索路径，让python能找到该目录下的模块 Matcha-TTs是一个开源tts框架 这是实现cosyvoice的子模块 （我没细看也没修改这部分代码，直接是看输出Log中有下载这个东西的部分)和音频中的保持一致 然后那个instruct2?#然后保存生成的语音波形，输出路径 tts_speec

​​翻译​​：​​少样本类增量学习（FSCIL）要求模型在样本极少的条件下适应新类别，其挑战性远高于传统类增量学习。​​​​翻译​​：​​现有方法严重依赖视觉模型，且需在基础阶段或增量阶段进行额外训练，而我们提出了一种免训练框架，利用CLIP等预训练视觉-语言模型。​​​​翻译​​：​​我们的方法核心是一种新颖的双层级模态校准（BiMC）策略。​​​​翻译​​：​​框架首先进行层内模态校准，融合大

这个任务可以用在很多场景，比如：体育比赛精彩镜头提取、教学视频的关键知识点提取、用户生成内容（UGC）中的短视频自动剪辑、自动驾驶中异常事件定位、多模态内容推荐系统自动检测哪些部分是高光部分 这就是精彩片段如何实现视频高光？1. 视频预处理（帧级别）

针对于这两点，可以修改公式，首先对reward求和，不是对整个tragectory进行求和，而是从当前到结束的reward的求和，第二点是引入衰减因子，距离当前t越远，当前动作对reward的影响越小，呈指数衰减。那么一个策略的概率，就是在这个策略中的所有的state和这个state下给出的action的概率的连乘。优势函数，做出某一个具体动作得到的回报，比这个状态的期望回报的差值，表示这个动作相

这是一个递归关系，当执行动作a之后，会以概率p(s'|s,a)到达不同的下一个状态s 在这个过程中，会得到即时奖励，在s'中继续采取最优动作。贝尔曼公式：价值函数的递推关系，当前状态的价值=即时奖励+未来状态的折扣价值（今天持仓的价值=今天的收益+明天持仓价值*折扣系数）策略函数：智能体的行动指南，定义在某个状态下选择不同动作的概率（比如在股价上涨5%的状态下，60%的概率卖出，40%的概率持仓）

YOLO就是解决目标检测问题的计算机视觉算法。计算机视觉可以解决图像分类、图像分割、目标检测等任务。下面这张图根据加不加框、加不加文字描述，是加框还是直接把物体的边缘给勾勒出来。依次分为检测、检测+定位、目标检测、图像分割（不满足画框，想得到像素级别的）

git branch -d <branch-name> 删除一个本地分支 （安全删除，会检查是否已合并）删除这个分支不能在此分支上 要切换到其他分支 而且切换的时候如果在这个新分支上进行的修改没commit 不会让你切换 这些自己都实验一下就行。团队协作的时候很重要 每个人都在Main分支上 是很危险的 注意在创建新的分支之前 确定main是最新的 这样的话你同事的对于main的修改 不会导致后期