本文介绍了一种基于深度学习的手势生成模型，该模型结合语音的声学和语义信息，生成对应的关节角度序列。模型分为脚本引导的手势生成和音频引导的节奏细化两个阶段。实验结果表明，该方法在手势的语义和节奏感知方面表现优异，适用于多种应用场景。