一种基于视音频合成的目标视频解说方法、系统及终端

本申请涉及一种基于视音频合成的目标视频解说方法、系统及终端，属于视音频处理的技术领域，该目标视频解说方法包括：获取目标视频；根据所述目标视频的目标时长，将所述目标视频分隔为多个调整子视频；将每个所述调整子视频分解为角色层、场景层和互动层；根据所述角色层匹配第一音频、根据所述场景层匹配第二音频、根据所述互动层匹配第三音频；将所述第一音频、所述第二音频和所述第三音频融合，生成子音频；将所述调整子视频与对应的所述子音频关联；在所述目标视频播放至某一所述调整子视频范围时，根据对应所述子音频进行解说。本申请的提高用户的观看体验有益效果。