6秒間の音声から発話者の顔を推定する課題「Speech2Face」を提案し、YouTubeの動画から自己教師学習でネットワークを学習させた。音声はスペクトログラムに変換してからCNNで4096次元の顔特徴ベクトルにエンコードする。画像のエンコーダ/デコーダは先行研究のものを使用する。画像エンコーダの出力を教師として損失の計算に利用し、デコーダで顔を復元する（学習させるのは音声エンコーダのみ）。