一种说话人脸视频生成方法、装置、系统及介质

本发明公开了一种说话人脸视频生成方法、装置、系统及介质，方法包括：获取源人脸图片和源音频数据；提取源人脸图片的人脸特征参数，并提取源音频数据中音频特征；将音频特征输入到训练好的三维特征生成模型中，根据模型输出结果和人脸特征参数融合生成三维人脸图像集；将源人脸图片和三维人脸图像集输入到训练好的视频帧生成模型中，输出说话人脸图像集；对说话人脸图像集和源音频数据进行对应帧的结合，得到说话人脸视频。通过基于音频数据驱动的说话人脸视频生成方式，利用音频特征和源人脸图像重构生成拟合度高的三维人脸图像，使得无需拍摄真人视频即可生成自然逼真的说话人脸视频，从而提高说话人脸视频生成的效率与视觉效果。