基于多模态大模型的数字人生成方法、装置、设备及存储介质

本发明提供一种基于多模态大模型的数字人生成方法、装置、设备及存储介质，涉及人工智能技术领域。该方法包括：获取用户输入的用户交互信息；将所述用户交互信息输入训练好的数字人交互模型，生成数字人说话视频；其中，所述用户交互信息至少包括文本、图像、视频和音频中的其中一个；所述数字人说话视频表征为通过数字人回应用户输入的所述用户交互信息的视频；所述数字人交互模型为通过用户交互信息样本和数字人样本进行训练得到的。本发明实施例用以解决现有技术中生成的数字人与用户交互体验差的缺陷，实现通过利用训练好的数字人交互模型，可以精确的融合用户输入的多模态信息，生成精确的数字人说话视频，能够显著提高用户交互体验感。