samples 张量沿其第一个维度进行拆分，第一个元素成为视频潜在表示，第二个元素成为音频潜在表示；如果存在噪声掩码（noise_mask），则按相同方式拆分。
输入
注意： 输入潜在表示的
samples 张量预计在第一个维度（批次维度）上至少包含两个元素。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，则按相同方式拆分。
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):
22ed38bbc1b5716cee380c35c50455810f79c273f51bbe6a535c9ae33192afe6