Machine learning chat

Всем привет! Тут такой вопрос. Есть видео аватара, лицо человека (где она просто стоит и где она говорит). И хочется сделать lipsync для такого видео. Желательно чтобы просто по сути губы настроить, когда надо остановить, когда надо visemes сделать. Какие есть хорошее решения для этой задачи? Или более лучше формат