摘要
通过人脸图像和一段语音音频生成说话头视频仍然存在许多挑战。例如，不自然的头部运动，扭曲的表情和身份修改。我们认为这些问题主要是因为从耦合的二维运动场中学习。另一方面，明确使用3D信息也会遇到僵硬的表达和不连贯的视频问题。我们提出了SadTalker，它可以生成3英寸的3D运动系数(头部姿势，表情)。