AV-HuBERT es un marco de aprendizaje de representación autosupervisado, específicamente diseñado para el procesamiento de voz audio-visual. Ha logrado resultados de vanguardia en lectura labial, reconocimiento automático del habla (ASR) y reconocimiento de voz audio-visual en el conjunto de datos de referencia LRS3. El marco aprende representaciones de voz audio-visual mediante la predicción de agrupaciones multimodales enmascaradas y proporciona un robusto reconocimiento de voz audio-visual autosupervisado.