视觉配音方法、装置、设备及介质

本公开实施例涉及一种视觉配音方法、装置、设备及介质，该方法包括：获取目标音频以及第一视频；获取第一帧图像中目标对象的头部姿态信息和面部信息，以及第一帧图像中目标区域的区域信息；第一帧图像是第一视频中的帧图像；目标区域是第一帧图像中除目标对象的嘴部区域之外的区域；基于目标音频、第一帧图像中目标对象的头部姿态信息和面部信息，生成与第一帧图像对应的第二帧图像中目标对象的口型信息；第二帧图像是待生成的第二视频中的帧图像；基于第一帧图像中目标区域的区域信息、第二帧图像中目标对象的口型信息以及目标音频，生成第二视频。本公开实施例可提升口型生成的准确性和自然感，提升第一视频的配音视频的视觉观感。