Arkadaşlar, yapay zeka ile gerçekçi bir görsel oluşturdum. Projede kullanıcı ses kaydı yapıyor, STT ile metne dönüştürüyorum ve OpenAI üzerinden cevap alıp TTS ile tekrar sese çeviriyorum. Şimdi amacım, ekranda gösterdiğim görselin gelen sesle senkronize olarak ağız hareketleri yapması, konuşmadığı zamanlarda ise hızlı bir şekilde bekleme animasyonları göstermesi. Hazır çözümler genelde yatay ve butonlar yapılar bulunuyor, kendi modellerini sunuyorlar. Sizce, sese göre anlık olarak hareket eden bir yapıyı nasıl oluşturabilirim? ( ses ve görseli iletip bir süre sonra çıktı video veren bir yapı değilde realtime anlık sese göre hareket eden bir yapı olmalı )