视频生成方法、视频生成模型的训练方法、装置、设备、存储介质及程序产品

本申请提供了一种视频生成方法、视频生成模型的训练方法、装置、设备、存储介质及程序产品；方法包括：从第一视频的多个视频帧中识别出检测框，其中，每个视频帧中的检测框在视频帧中包围目标对象的面部；基于多个视频帧的检测框确定包围框，其中，包围框在多个视频帧中均包围目标对象的面部；确定每个视频帧的掩码区域，其中，每个视频帧的掩码区域在视频帧中包围目标对象的嘴部；基于掩码区域对视频帧中位于包围框内的区域进行掩码处理，得到掩码视频帧；掩码视频帧构成掩码视频；基于掩码视频、第一视频和音频数据，生成第二视频，其中，在第二视频中目标对象的嘴部动作与音频数据同步匹配。通过本申请，能够提升视觉配音的配音质量。