与えられた動画から音声と映像を分離後、映像部分より唇の動きに関する特徴量及び発話者の顔の特性に関する特徴量を抽出し、それらを音声から取得した時間離散的な周波数の特徴量と融合し、デーコーダによって音声シグナルを再構築した後、映像、音声のモーダルを使用した対称学習によって、教師信号無しに音声、視覚における発話の分離を実現