视频生成方法、智能终端、设备及存储介质

本申请实施例提供了一种视频生成方法、智能终端、设备及存储介质，该方法应用于智能终端，视频生成方法包括：获取图像采集模块采集的关于目标物体的初始图像，对初始图像进行图像描述生成，得到目标描述文本；获取音频采集模块采集的目标物体对应的叙事性音频，对叙事性音频进行语音识别，得到叙事性文本；将目标描述文本与叙事性文本进行融合，得到辅助生成文本；将初始图像和辅助生成文本发送至服务器，以供服务器将初始图像和辅助生成文本拼接后输入至视频生成模型进行视频生成，得到目标视频；接收服务器发送的目标视频，在显示模块中展示目标视频。本申请实施例能够提高目标视频的质量，提高目标视频的观看体验。