一种视频字幕生成方法、装置、设备及存储介质

本申请公开了一种视频字幕生成方法、装置、设备及存储介质，涉及视频处理技术领域，包括：将视频分解为视频帧序列、音频信号流以及语音转写文本；对视频帧序列、音频信号流以及语音转写文本进行特征提取，分别得到视觉特征向量序列、声学特征表示以及语义表示；融合视觉特征向量序列、声学特征表示以及语义表示得到多模态视频特征表示；根据多模态视频特征表示进行情绪识别与量化得到情绪向量，并根据情绪向量得到情绪强度；识别视频中的说话人身份以及视频的场景类型；根据情绪强度、说话人身份以及场景类型选择字幕样式参数；根据字幕样式参数渲染字幕。该方法能够提升效率，降低成本，提升字幕效果。