音频生成方法、深度学习模型的训练方法和装置

本公开提供了一种音频生成方法、深度学习模型的训练方法和装置，涉及人工智能技术领域，尤其涉及深度学习、对比学习和计算机视觉技术领域。具体实现方案为：响应于针对视频中的目标对象的交互式选择操作，提取目标对象在视频的各个视频帧中的视觉特征；根据视觉特征，生成与目标对象的动作相匹配的初始音频；以及根据目标对象在视频的各个视频帧中的画面占比，调整初始音频的音量，得到目标音频。