视频生成方法、装置、电子设备和存储介质

本公开提供了一种视频生成方法，涉及人工智能技术领域，尤其涉及深度学习、自然语音处理、计算机视觉、大模型技术领域，能够用于智能助手、虚拟助手、智能电商等应用场景。具体实现方案为：提取参考视频中目标对象的局部区域特征和语音特征；根据局部区域特征生成针对目标对象的数字人的基准局部图像；根据语音特征和目标文本，生成与目标文本对应的目标语音；根据目标语音和基准局部图像，生成局部图像序列，其中，局部图像序列表征数字人发出目标语音的唇形变化；以及根据参考视频和局部图像序列，生成数字人的目标视频。本公开还提供了一种视频生成装置、电子设备及存储介质。