视频生成方法、生成模型训练方法、装置、介质及设备

摘要

本公开涉及一种视频生成方法、生成模型训练方法、装置、介质及设备。方法包括：获取待合成的目标音频数据；提取目标音频数据的声学特征作为目标声学特征；根据目标声学特征，确定目标音频数据对应的音素后验概率，并根据音素后验概率，生成目标音频数据对应的图像序列；将目标音频数据和目标音频数据对应的图像序列进行视频合成，得到目标视频数据。由于音素后验概率为与实际说话人无关的信息，由此可以避免不同说话人发音习惯(口音)、噪声等因素对后续生成的图像序列的影响，从而可以提升生成的图像序列中头部动作和身体姿态的准确度。并且，针对任意说话人的语音数据，均可生成相应的图像序列，进而得到视频数据。