一种数字人的口播视频生成方法、系统、设备及介质

本申请公开了一种数字人的口播视频生成方法、系统、设备及介质，方法通过获取口播文案和视频素材数据，利用多模态大模型分析确定文案在视频素材中的时间戳；将文案转为音频数据并预处理后，结合时间戳与视频合并生成第一视频数据；根据用户需求生成数字人，经抠像处理后与第一视频合并得到口播视频。本申请突破传统模板化生成模式，通过多模态语义匹配和个性化数字人生成技术，实现数字人口播视频的定制化生产；同时采用音视频精准同步、高质量抠像及合成技术，保障内容适配性与视频质量，显著提升数字人口播视频生产的灵活性、效率和效果。