研究人员指出，这是因为该系统的训练方向就是捕捉与年龄、性别等特征相关的视觉特点，而这些特点属于多位讲话者的共性。在海量资料的基础上，该系统只有在从未见过的讲话者身上找到足够多的共性之后，才能大致模拟出一幅人脸图像。因此这幅图像无法做到精确还原讲话者的面容。
此外，虽然该系统的资料库规模庞大，但毕竟无法涵盖全世界所有人，因此该系统模拟出来的图像仍需要进一步调整和完善。
目前该系统面临的最大挑战就是如何给这个资料库扩容，进而使其描绘的讲话者面容更加接近原型，但这项任务绝非易事，仍需研究人员进一步努力。
