入力
注記： 入力された潜在表現の
samples テンソルは、最初の次元（バッチ次元）に少なくとも2つの要素を持つことが想定されています。最初の要素は映像の潜在表現に使用され、2番目の要素は音声の潜在表現に使用されます。noise_mask が存在する場合も、同様の方法で分割されます。
出力
このドキュメントは AI によって生成されました。エラーを見つけた場合や改善のご提案がある場合は、ぜひ貢献してください！ GitHub で編集
Source fingerprint (SHA-256):
55bce5d768e7fe13f885cc32d34ecdac5cdcbb667b03743004866ea4b6d58d46