语音驱动视频合成方法、设备及存储介质

本申请提供一种语音驱动视频合成方法、设备及存储介质，涉及计算机视觉与人工智能技术领域。该方法包括：根据原始说话视频中的多帧原始图像，分别确定多帧人脸区域图像以及对应的面部身份特征图像；采用人脸标准化模型，根据每帧面部身份特征图像，对对应的人脸区域图像进行身份特征和口型动作的解耦处理，输出对应的闭嘴人脸区域图像；采用口型合成模型，根据多帧闭嘴人脸区域图像，以及音频数据，生成多帧说话人脸区域图像；对多帧说话人脸区域图像和多帧原始图像进行融合处理，得到音频数据匹配的目标说话视频。消除原始口型的干扰，说话口型和音频数据的同步质量更高，进而显著提升了目标说话视频中口型与音频数据的同步性。