数字人音视频生成方法、系统、设备及介质

本申请提供的一种数字人音视频生成方法、系统、设备及介质，所述方法包括：首先，获取文本信息和初始图像；基于情绪分析模型确定文本信息对应的情绪类别；识别初始图像中的人脸区域，得到初始图像中数字人对应的性别类别；基于情绪类别与性别类别生成数字人对应的音频数据；基于音频数据与初始图像生成数字人初始视频；将数字人初始视频输入唇形对齐模型中获得输出视频；输出视频中数字人的嘴型与音频数据对齐。利用情绪分析模型和图像识别技术，能够准确识别文本信息的情绪类别和初始图像中数字人的性别类别，生成具有情绪表达的数字人视频。