音频驱动视频生成方法、装置、计算机设备以及存储介质

本申请涉及一种音频驱动视频生成方法、装置、计算机设备以及存储介质。包括：获取驱动音频，对驱动音频进行特征预处理确定所述驱动音频的目标音频特征；根据目标音频特征确定音频特征序列，将音频特征序列输入面部动画识别模型，确定面部动画离散概率分布序列；根据面部动画离散概率分布序列确定面部动画参数序列；将面部动画参数序列和目标肖像图片输入目标变分自编码器中，生成视频帧序列，并根据视频帧序列和驱动音频生成动态语音视频。上述方案，能够丰富动态语音视频中的数字人在发声过程中面部表情，提高人像面部说话的自然度和多样性，使得数字人在发声时可以通过面部表情表达驱动音频中的感情信息，以便于用户更好的理解音频内容。