गैया का उद्देश्य आवाज और एकल चित्र से प्राकृतिक बातचीत वीडियो को संश्लेषित करना है। हमने गैया (अवतार के लिए आर्टिफिशियल इंटेलिजेंस) पेश किया है, जो बातचीत करने वाले अवतार निर्माण में क्षेत्रीय पूर्वानुमान को समाप्त करता है। गैया दो चरणों में विभाजित है: 1) प्रत्येक फ्रेम को गति और उपस्थिति अभिव्यक्ति में विघटित करना; 2) आवाज और संदर्भ चित्र के आधार पर गति क्रम उत्पन्न करना। हमने बड़े पैमाने पर उच्च-गुणवत्ता वाले बातचीत करने वाले अवतार डेटासेट एकत्र किए हैं और विभिन्न पैमानों पर मॉडल को प्रशिक्षित किया है। प्रयोगात्मक परिणाम गैया की श्रेष्ठता, स्केलेबिलिटी और लचीलेपन की पुष्टि करते हैं। विधियों में परिवर्तनशील स्वतः एन्कोडर (VAE) और प्रसार मॉडल शामिल हैं। प्रसार मॉडल को आवाज अनुक्रम और वीडियो क्लिप में यादृच्छिक फ्रेम की स्थिति में गति अनुक्रम उत्पन्न करने के लिए अनुकूलित किया गया है। गैया का उपयोग विभिन्न अनुप्रयोगों में किया जा सकता है, जैसे नियंत्रित बातचीत अवतार निर्माण और पाठ द्वारा निर्देशित अवतार निर्माण।