本文提出了一种名为DFRT的方法，用于在少量训练数据下实现声音驱动的面部融合。该方法通过2D图像学习面部先验知识，并利用可微的面部扭曲模块建模面部变形，从而快速生成高质量的音频驱动视频。

DFRT是一种用于few-shot声音驱动下的面部融合的方法，使用2D图像学习面部先验知识，并提出了可微的面部扭曲模块以更好地建模面部变形。实验结果表明，该方法可以在很短时间内生成高质量的自然音频驱动的视频。