通過事件相機進行唇部識別可以捕捉到細微且相似的唇部動作，具有較大的動態范圍和微秒級的延遲，從而比傳統的基于幀的相機提供更高的時間分辨率。然而，現有的方法往往忽略了利用獨特的唇部動作模式，而是選擇適應現有的視頻識別架構。在本文中，我們提出了一個名為Triplane Fusion Network (TF-Net) 的事件指定框架，通過從三個不同但互補的視角來分析唇部動作。具體來說，在遵循標準的XYT視角的同時，我們進一步加入了兩個額外的視角：XT和YT，旨在利用事件隨時間的獨特流動特性。由于這三個視角的存在，TF-Net為每個視角都包含了多個專家模塊以及用于促進不同視角之間多方向運動信息交換的互信息交換模塊。我們觀察到這三個視角相互補充，進一步增強了事件指定分布的學習效果。廣泛的實驗驗證了所提出方法的有效性，在真實世界數據集DVS-Lip和合成數據集Modality上，其準確率分別超過了其他競爭方法的1.6%和2.3%。