识别声音是计算音频场景分析和机器感知的一个关键方面。在本文中，我们主张声音识别本质上是一个多模态的视听任务，因为它更容易区分声音使用音频和视觉模态，而不是一个或另一个。我们提出了一种视听融合模型，该模型能够从弱标记的视频记录中识别声音。所提出的融合模型利用注意力机制，将单个音频和视频模型的输出动态地结合起来。在大型音频事件数据集AudioSet上进行的实验证明了该模型的有效性，其性能优于单模态模型、最先进的融合和多模态模型。我们在Audioset上实现了46.16的平均精度(mAP)，比之前的技术水平高出大约4.35个mAP(相对:10.4%)。