视频内容修改方法、装置、电子设备及存储介质

本发明提供一种视频内容修改方法、装置、电子设备及存储介质，涉及多媒体技术领域，该方法包括：提取原始视频中目标人物的初始音频，根据初始音频提取目标人声和音频文本；修改音频文本获得目标文本，根据目标文本和目标人声合成目标音频；根据目标音频录制面部口型视频，获得驱动视频；根据驱动视频和目标音频进行口型校准，获得标准驱动视频；将标准驱动视频和原始视频输入隐式关键点驱动模型，获得合成视频。本发明通过录制面部驱动视频来提供自然的口型、表情和头部姿态，使得生成的视频在口型方面更加逼真和流畅，确保最终的视频效果更加符合期望，驱动视频和音频通过在隐空间内进行推理和训练，提高了视频生成的速度和质量。