据悉，香港中文大学 MMLab 提出「通过解离的听觉和视觉信息进行说话人脸视频的生成」，使得生成高分辨率且逼真的说话视频成为可能，而系统的输入可以仅仅是一张照片和一段任何人说话的语音，无需先对人脸形状建模。论文《Talking Face Generation by Adversarially Disentangled Audio-Visual Representation》已经被 AAAI 2019 收录为 Oral Presentation。