本研究提出了一系列基于音频驱动的说话人脸生成方法，包括高保真NeRF技术、统一面部标记生成器和两阶段生成模型，旨在提高口型同步和视觉质量。通过自我监督学习和新颖的扩散模型，解决了现有模型在唇形同步和视觉细节保留方面的不足，实验结果显示性能优于现有技术。