音声からジェスチャーを生成する研究。モデル自体は、音声のスペクトログラムを1DのUNetにかけてPoseの予測を行うというシンプルなもの。PoseのL1誤差(予測/実際の差)だけだとあらゆるポーズの平均を学習してしまうので、生成したPoseが特定話者のものかどうか識別するDiscriminatorも使用している。