一种多说话人音频对象定位方法、装置、设备及介质

本发明公开了一种多说话人音频对象定位方法、装置、设备及介质。该方法包括：获取待处理视频数据及与待处理视频数据对应的待处理音频数据，将待处理视频数据输入到已训练的目标检测模型中，得到各个目标对象的目标位置，通过声纹分割聚类算法对待处理音频数据进行分类，得到各个说话对象的语音片段，将待处理视频数据中各个目标对象的唇动特征和待处理音频数据中各个说话对象的语音片段输入到已训练的主动说话检测模型中，得到目标对象与说话对象的语音片段之间的对应关系，根据目标对象的目标位置、说话对象的语音片段以及目标对象与说话对象的语音片段之间的对应关系，确定各个说话对象的目标位置。