O projeto nasce dentro do Codec Avatars Lab, time da Meta que trabalha desde 2015 em telepresença fotorrealista, incluindo o dataset Ava-256, com 256 pessoas capturadas em cúpula de alta resolução e também via headset comercial. O AV-Flow usa essa base pra treinar um modelo que sincroniza fala e visual num único processo generativo, em vez de animar rosto e voz em etapas separadas como boa parte da indústria ainda faz.
Na prática, isso significa produzir um clipe curto de alguém falando qualquer frase sem elenco, sem estúdio de captura e sem sessão de dublagem. É o tipo de ferramenta que interessa direto a quem produz treinamento corporativo, dublagem automatizada e até personagem de jogo com diálogo dinâmico, áreas que hoje dependem de gravação cara toda vez que o roteiro muda uma linha.
O tema conecta com outra frente que a própria indústria de CG vem explorando, quando pesquisa da ETH Zürich separou a roupa do corpo no avatar 3D, mostrando que boa parte do esforço acadêmico em humanos digitais está em quebrar o avatar em partes independentes e reutilizáveis, seja roupa, voz ou expressão.
A Meta ainda não anunciou quando o AV-Flow sai do papel de pesquisa pra virar produto, mas o histórico da empresa com Codec Avatars sugere que a aplicação mais próxima é o Horizon e as chamadas de realidade mista, não o cinema ou os games.