VSSFlow是一种新方法，将视频到声音（V2S）和视觉文本到语音（VisualTTS）任务整合在一个框架中。它通过条件聚合机制处理不同输入信号，利用交叉注意力和自注意力层的不同偏差，提升生成效果。VSSFlow在联合学习中表现优异，超越了现有基准，展示了统一生成模型的潜力。