基于深度学习的文本驱动生成数字人系统，包含语音合成（自动音频标注、自定义语料训练、多音字和特殊字符识别）、文本驱动图像人物肢体动作、语音驱动人物唇形和肢体动作（音频驱动图像\视频唇形和肢体动作）。使用到的技术：语音合成算法相关（TTS、Paddlespeech、Spleeter、Whisper）、音频驱动人物唇形和肢体动作（MuseTalk、SadTalker、Video-Retalking、Audio2photoreal、Vlogger）、文本驱动人物肢体动作（MuseV）。