近日，通义大模型团队推出CoGenAV，用音画同步思路革新语音识别技术，突破噪声干扰瓶颈。它不同于传统方法，通过挖掘音频-视觉-文本的时序对齐特性，打造更 robust 的语音表征框架，为语音识别和重建任务带来显著提升。