基于视觉提示选择性定位声源的方法、装置、介质及产品

本发明提供一种基于视觉提示选择性定位声源的方法、装置、介质及产品，该方法包括以下步骤：获取混合音频信号与提示图像；混合音频信号包括至少二个不同声源触发的不同声音事件对应的音频信号；提示图像与目标声源关联，目标声源为所需的从不同声源中选择定位出的声源；提示图像所提示的对象触发的声音事件与目标声源触发的声音事件属于同一声音事件；通过预设的跨实例视听定位模型处理混合音频信号与提示图像，包括估计目标掩码；基于目标掩码输出目标声源对应的目标到达方向。本发明实现从多个声源触发的多个不同声音事件中，对特定声音事件对应的特定声源选择定位，应用范围广。