原始名称记载: 智象未来（合肥）信息技术有限公司

本申请提供一种视频处理方法、装置、设备、存储介质，该方法获取文本；其中，文本中至少包括视频处理的类型和处理描述；类型为文生视频，或者，视频编辑，或者，视频理解；根据文本确定视频特征；根据视频特征进行视频处理。本申请提供的方法为一种针对文生视频、视频编辑、视频理解的统一方法，该统一方法一方面降低了训练成本，另一方面提升了通用性。

本申请提供一种视频生成方法、装置、设备、存储介质，该方法包括：获取驱动视频和人物图像；根据驱动视频和人物图像构建提示词；根据驱动视频和人物图像进行人物姿态对齐，得到姿态骨骼帧序列；基于提示词进行编码，得到文本潜空间特征；基于人物图像、姿态骨骼帧序列进行编码，得到每个重叠滑动窗口的视频潜空间特征；根据文本潜空间特征和视频潜空间特征进行重叠滑动窗口去噪，生成目标视频。本方法根据文本潜空间特征和视频潜空间特征进行重叠滑动窗口去噪，生成目标视频，该重叠滑动窗口去噪过程保证目标视频生成过程中对角色的引导，使得目标视频的动作更平滑、内容更连贯，保证长序列的角色一致性，动作衔接自然，面对复杂场景的泛化能力。