输入
注意： 输入潜在表示的
samples 张量在第一维度（批次维度）上应至少包含两个元素。第一个元素用于视频潜在表示，第二个元素用于音频潜在表示。如果存在 noise_mask，则会以相同方式拆分。
输出
本文档由 AI 生成。如果您发现任何错误或有改进建议，欢迎贡献！ 在 GitHub 上编辑
Source fingerprint (SHA-256):
55bce5d768e7fe13f885cc32d34ecdac5cdcbb667b03743004866ea4b6d58d46