迪士尼研究所和几所大学的研究员们撰写了一份新报告，报告称能通过深度学习来程序化制作语音动画。这种系统从人类演讲的音频材料中抽样，再自动产生搭配的口型动画。这种方法应用方面很广，能提高语音动画制作的效率，能在社交VR设置中通过实时模仿演讲做出更像的社交vr交互，不胜枚举。
研究者们来自于迪士尼研究中心，东安格利亚大学，加利福尼亚大学，加州理工学院和卡内基梅隆大学，一起撰写了一篇名为“深度学习方法产生语音动画”的文章。这篇文章写到有一种系统能通过“深度学习/神经网络”的训练，用八个小时读取某一位说话人的参考画面（2543个句子），最后通过各种演讲中的音素和音素的组合教会系统口型。
如下：右脸是参考画面。视频训练后，只基于音频输入，左脸上的嘴根据系统产生口型。
训练过的系统之后能分析任何一位说话人的音频，自动产生相应的嘴型，再应用到产生自动语音动画的脸部模型中。研究者们说这个系统是与说话人独立的，而且能去模仿别的语言。
“通过一种简单而有效的学习方法，系统能自动产生看起来自然的语音动画，并且是与语音输入同步的。我们的方法是：使用变化的的窗口预测，通过精确地捕捉自然动作和可视的协同发音效应，学习任意非线性映像，从音素输入序列到口型动作。这种方法有几大优势特质：实时运作，要求最小参数调音，概括产生新的输入语音序列，易于编辑产生程式化的感情丰沛的演讲，并且与现有的动画重新定向方法兼容。
以前，与动画角色录音配套的动画都是由熟练的动画设计师纯手工制作的。虽然这种系统没法做到你所期待的，像制成动画里一样高还原度的语音动画，但它可以用来制作动画的初稿，或者制作人为无法模拟的语音动画，比如说大型角色扮演游戏中非玩家角色的对话，或是预算低而雇不起动画设计师的项目（教学视频，培训视频，学术项目等等）。
至于VR，这种系统能通过实时模拟用户嘴型，使社交VR更真实。真实的口型轨迹（光学的或其它方式）可能是最精确的模拟演讲方式，但是像这样程序化产生语音动画的系统才是目前实用的方法，除非有一天口型轨迹硬件已经广泛使用了。
一些社交VR应用已经使用了各种系统来模拟口型；Oculus（欧酷来）也提供了一款唇同步插件给Unity,用来通过语音输入模拟口型。但是上文的这种系统，基于新的深度学习，它似乎给语音动画带来前所未有的细节和准确性，意义重大。
