一种基于大语言模型的视频合成方法、设备及介质

本发明涉及一种基于大语言模型的视频合成方法、设备及介质，其中方法包括：获取用户输入信息，包括肖像图像、参考语音和内容参考信息；对输入信息进行多模态特征提取，得到多模态特征，包括肖像图像特征、参考语音特征和内容参考信息特征；将肖像图像特征输入基于深度学习构建的数字人模型，生成初始视频；将参考语音特征和内容参考信息特征输入预设的第一大语言模型，生成视频文案和分镜信息；基于多模态特征在本地视频素材库中进行匹配，得到匹配素材；将分镜信息和匹配素材输入第二大语言模型，生成视频内容时间表；基于视频内容时间表、初始视频和视频文案进行视频合成，输出最终合成视频。