视频生成方法、装置、智能体、电子设备及存储介质

本公开公开一种视频生成方法，人工智能技术领域，尤其涉及计算机视觉、深度学习、大模型等技术领域，可应用于数字人等场景。该方法包括：提取目标音频的目标音频特征和参考图像中虚拟形象的虚拟形象特征；基于注意力机制，对目标音频特征和初始视频特征进行处理，得到目标视频特征，初始视频特征由虚拟形象特征与随机噪声拼接形成；以及对目标视频特征进行解码处理，得到目标视频，其中，目标视频包括虚拟形象基于目标音频言语表达的视频帧。本公开还提供了一种视频生成装置、智能体、电子设备及存储介质。