AV-HuBERTは、音声・視覚音声処理に特化した自己教師あり表現学習フレームワークです。LRS3音声・視覚音声ベンチマークテストにおいて、最先端のリップリーディング、自動音声認識（ASR）、および音声・視覚音声認識の結果を実現しています。このフレームワークは、マスキングされたマルチモーダルクラスタリング予測を通じて音声・視覚音声表現を学習し、堅牢な自己教師あり音声・視覚音声認識を提供します。