音频驱动数字人的方法、装置、设备及存储介质

本发明属于人工智能技术领域以及医疗健康领域，公开了一种音频驱动数字人的方法、装置、设备及存储介质，该方法包括：提取目标音频的音频特征；将所述音频特征输入第一预设模型中，得到所述目标音频对应的目标人脸3D关键点；融合所述目标人脸3D关键点和目标人物的人像信息，得到融合人脸信息；将所述融合人脸信息输入第二预设模型中，得到所述目标人物说所述目标音频的影像信息。本发明提供一种音频驱动数字人的方法、装置、设备及存储介质，解决了基于端对端模型的说话人视频合成方法所存在的问题。