本研究提出了JoyVASA框架，解决了音频驱动肖像动画模型在训练效率和视频时长上的限制。通过解耦动态面部表情与静态3D表示，JoyVASA能够生成更长的视频并实现动物面部动画，实验结果表明其在动画质量和保真度上具有显著优势。