# SAM Audio 视觉选声：点选画面中的发声对象，比较可见与离画段的声音

视觉选声应同时检查目标可见、离画和与另一声源重叠的时段。画面点选不能保证所有不可见片段都按你想要的方式隔离。

1. 打开两声源原生素材
instruments.mp4显示作者原生笛管与鼓，input-mix.wav含独立合成笛音和鼓声。它不是成年演员实拍，正式可替换本人/授权双人演奏片。

2. 准备可见/离画时间表
visibility.csv标目标在画面内、离开画面和重叠段，保留两条原始stem作离线真值。视频与音频需对齐后再上传。

3. 选择Visual prompting
在SAM Audio Playground当前入口切视觉提示，点选可见目标笛子或对应演奏者区域。不要用文本提示跑完后称视觉选声。

4. 导出target与residual
保存两轨原始返回与点击位置、模型和输入文件。只有target音频不能检验另一声源是否被错误移走。

5. 先听可见目标段
在已知笛音时段听target，鼓声是否泄漏；再听residual是否仍含清晰目标旋律。包内原始stem是作者真值，不是SAM输出。

6. 专听离画和重叠段
检查目标离画后是否仍保留、两声源同时响时是否损伤。不要用只展示目标独奏的片段宣称完整隔离通过。

7. 交付两轨与条件
保留原片、合成脚本、两真值stem、实际返回和区段表。本文未运行SAM Audio，原生视觉和合成音只作输入。

验收：不把视觉点选当识别人身份，离画失效如实记录

执行边界：未运行目标云端AI、账号核验或付费生成；原生作者材料与官方示例不充当目标结果。见asset-identity.json。

官方依据：
https://ai.meta.com/research/samaudio