本文提出了一种多语言对话生成系统，结合人脸生成和文本到语音技术，能够生成自然语音和同步口型。该系统通过规范空间和多模态运动空间，实现可控面部动作，生成高质量的交谈视频，视觉质量和唇部同步达到先进水平。同时，研究展示了基于文本的个性化面部表情生成方法，具有更高的真实性和自然性。

mDIA是第一个跨越低至高资源语言的大规模多语言对话生成基准。通过微调mT5和DialoGPT两种预训练模型，作者对46种语言中的真实对话进行了测试，结果显示mT5模型在sacreBLEU和BertScore方面表现更好，但多样性较差。作者希望发布mDIA以促进生成多语言对话的研究和语言多样性。