本文汇总多项视觉语音识别（VSR）研究：探索离散单元在端到端语音处理中的应用；利用唇动实现多语言VSR并优化模型与数据扩充；借助Whisper为低资源语言自动标注；介绍2023年中国连续VSR挑战赛系统，单说话人CER 34.76%、多说话人41.06%，三个赛道均第一；提出向量量化学习离散语言单元；用ASR表示实现资源高效VSR；以自监督多模态学习提升识别；并提出统一多语言语音文本表示模型。