CineSubNet: A Multimodal Architecture for Text-Driven Cinematic Audio Source Separation

Marian Negru, Ana Neacsu Nicolae

34th European Signal Processing Conference · 2026

ConferințăÎn curs de publicare

Metode de antrenare a modelelor de inteligență artificială sigure

În această lucrare se propune CineSubNet, o arhitectură multimodală bazată pe informație textuală pentru CASS. Subtitrările sunt generate automat printr-un sistem de recunoaștere automată a vorbirii (ASR) și integrate fără a necesita o aliniere explicită cu semnalul audio, facilitând astfel o abordare practică și scalabilă. Evaluările realizate pe toate variantele benchmark-ului Divide and Remaster (DnR) arată că CineSubNet depășește în mod constant metodele existente din literatură, conform tuturor metricilor analizate. Rezultatele evidențiază potențialul informației textuale pentru dezvoltarea CASS în direcția unor scenarii cinematografice mai realiste și multimodale.