语音驱动人脸视频生成方法、系统、存储介质和电子设备

本申请提供一种语音驱动人脸视频生成方法，包括：获取语音数据，提取语音数据的音频特征；将音频特征、背景图像和采样点输入至人脸生成模型，利用人脸生成模型生成每帧语音对应的人脸说话图像；将人脸说话图像拼接成视频，并叠加语音数据，得到语音驱动人脸视频生成视频。本申请无需对背景图像独立进行三维建模，同时可大大减少计算量，降低渲染的硬件成本，从而满足应用场景下对实时性、低成本的需求。本申请还提供一种语音驱动人脸视频生成系统、存储介质和电子设备，具有上述有益效果。