音视频生成方法及装置、电子设备、存储介质、程序产品

本公开是关于一种音视频生成方法及装置、电子设备、存储介质、程序产品，该方法包括：获取初始视频的各个视频帧和初始音频的各个音频帧；其中，各个视频帧与各个音频帧一一对应；基于至少两个特征提取网络，分别得到各个视频帧对应的至少两个初始视频特征；基于音频特征提取模型，得到各个音频帧对应的初始音频特征；基于各个视频帧对应的至少两个初始视频特征和各个音频帧对应的初始音频特征，得到各个视频帧对应的目标音频帧；基于各个视频帧和各个视频帧对应的目标音频帧，生成目标音视频。如此，通过获取更丰富、更准确的初始视频特征，增强视频帧与目标音频帧之间的关联性，以提高生成的目标音视频中音频与视频的匹配度。