现有的音视频分割方法多预测声源相关区域或类别掩码，在同类候选目标共存时往往难以确定真实发声实例。近期的音视频实例分割尝试在实例层面进行预测，但依赖运动信息和跨帧关联，在观测稀疏或运动不明显时可靠性下降。为此我们引入双耳音频，其左右声道的时差和强度差携带源方向信息，可为同类视觉候选提供空间约束。我们提出了双耳声源实例消歧（BiSID-AVS）框架，逐步将类别级候选响应细化为真实发声实例的掩码。BiSID-AVS 首先通过音频提示将类别一致的候选区域定位，然后将双耳线索映射到图像平面的空间响应图，最后在特征层和解码层进行双层空间条件化以精炼真实实例。实验在扩展了双耳信息的 AVS‑Synthetic 基准和 Habitat‑AVS 机器人室内感知数据集上进行。结果显示，在多候选子集上 BiSID-AVS 将实例级 mIoU 提升了 35.19% 和 41.21%，并显著降低了非发声同类区域的误激活。\n\n点评：该工作巧妙利用双耳差异提供的方向线索，弥补了运动信息的不足，实现了对同类候选的精准区分，为音视频分割的实例级理解提供了新思路。