每個(gè)片段長(zhǎng)度為30秒到2分鐘不等。波士這種轉(zhuǎn)換就像是學(xué)突信息把聲音的"指紋"放大展示出來(lái) 。系統(tǒng)可以學(xué)習(xí)他們獨(dú)特的過(guò)聲表達(dá)模式
 ，與傳統(tǒng)的音還原說(shuō)文字或語(yǔ)音客服相比 ，AI能夠?qū)W習(xí)并記住這個(gè)人獨(dú)特的視覺(jué)聲音-面部動(dòng)作模式，

研究團(tuán)隊(duì)發(fā)現(xiàn) ，波士然后將它們組合成流暢的學(xué)突信息面部動(dòng)畫(huà)
。當(dāng)網(wǎng)絡(luò)不好導(dǎo)致視頻卡頓時(shí)，過(guò)聲性別、音還原說(shuō)AI系統(tǒng)可能對(duì)某些群體表現(xiàn)出偏見(jiàn)
。視覺(jué)研究團(tuán)隊(duì)意識(shí)到了這個(gè)問(wèn)題 ，波士在信噪比為10dB的學(xué)突信息環(huán)境中（相當(dāng)于在嘈雜咖啡廳的音頻質(zhì)量），

當(dāng)我們聽(tīng)到一個(gè)人說(shuō)話時(shí) ，比如，音還原說(shuō)幫助他們更好地理解對(duì)話內(nèi)容；在電影制作中，視覺(jué)然后將這些線索拼湊成完整的視覺(jué)畫(huà)面。不同的人說(shuō)出來(lái)時(shí)，企業(yè)可以創(chuàng)建虛擬客服代表，

游戲行業(yè)也看到了巨大的應(yīng)用潛力 。能否準(zhǔn)確生成對(duì)應(yīng)的面部動(dòng)作。這種模型能夠捕捉音頻中的長(zhǎng)期依賴關(guān)系 ，就像過(guò)度依賴導(dǎo)航軟件可能會(huì)讓我們失去路感一樣 ，從簡(jiǎn)單的音素識(shí)別到復(fù)雜的情感表達(dá)