JoyGen是京东科技和香港大学推出的，音频驱动的3D说话人脸框架，专注于实现精确的唇部与音频同步及高质量的视觉效果。JoyGen结合音频特征和面部深度图，驱动唇部运动的生成，用单步UNet架构进行高效的视频编辑。JoyGen在训练过程中用包含130小时中文视频的高质量数据集，在开源的HDTF数据集上验证其优越性能。实验结果表明，JoyGen在唇部与音频同步和视觉质量方面均达到行业领先水平，为说话人脸视频编辑领域提供了新的技术解决方案。

JoyGen – 京东和港大推出音频驱动的3D说话人脸视频生成框架 第1张
（图片来源网络，侵删）
JoyGen – 京东和港大推出音频驱动的3D说话人脸视频生成框架 第2张
（图片来源网络，侵删）