一种多模态驱动的视频生成方法、装置、计算机设备及可读存储介质

本发明公开了一种多模态驱动的视频生成方法、装置、计算机设备及可读存储介质，包括：首先获取用户需求文本和多媒体内容，通过编码处理得到对应的特征向量。接着，利用预先训练的多模态融合模型将这些特征向量融合，生成一个融合特征向量。该融合向量被输入到预先训练的视频生成模型中，以产生初始视频内容。同时，此融合特征向量还与初始视频一起被送入音频生成模型，以生成相应的音频。最后，将初始视频与生成的音频进行拼接，形成最终的目标视频。如此设计，通过多模态信息的深度融合，实现了视频内容的个性化和丰富性，满足了用户对高质量视频的需求。