CN117714813A - 视频生成方法、装置、介质及设备 - Google Patents

Abstract

本公开涉及一种视频生成方法、装置、介质及设备，方法包括：接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

Description

视频生成方法、装置、介质及设备

技术领域

本公开涉及计算机技术领域，具体地，涉及一种视频生成方法、装置、介质及设备。

背景技术

视频的创作和分享日益成为多用户间进行交互的一种新方式。如用户可以在虚拟场景中利用其中的虚拟角色和场景环境进行剧情视频创造，可以复现小说或者影视中的名场面，也可以生成原创视频剧情。

相关技术中，在虚拟场景中进行视频生成时，主要是用户通过虚拟角色在虚拟场景中进行扮演互动并进行视频录制而获得视频素材，之后通过视频编辑处理对视频素材进行编辑而获得相应的视频。

发明内容

提供该发明内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该发明内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

第一方面，本公开提供一种视频生成方法，所述方法包括：

接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；

基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；

控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

第二方面，本公开提供一种视频生成装置，所述装置包括：

第一生成模块，用于接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；

第二生成模块，用于基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；

处理模块，用于控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

第三方面，本公开提供一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现第一方面所述方法的步骤。

第四方面，本公开提供一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现第一方面所述方法的步骤。

在上述技术方案中，可以基于视频描述文本中的内容描述，自动对其进行文本扩写和分析，以获得其对应的目标文本。之后能够基于该目标文本生成虚拟角色的控制指令，从而能够控制虚拟角色执行控制指令以使得该虚拟角色按照交互文本指示的交互内容进行剧情演绎，同时结合虚拟相机进行录制而获得驱动虚拟角色对视频描述文本对应的内容进行演绎的目标视频。由此，可以有效降低视频生成的复杂度，简化用户操作，大大降低视频生成过程对用户的技术要求。并且无需用户进行剧本撰写、素材操作和录制以及视频编辑和后处理等复杂的流程，有效降低人工工作量，另外，可以有效提高视频生成的自动化水平和效率。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。在附图中：

图1是根据本公开的一种实施方式提供的视频生成方法的流程图。

图2是根据本公开的一种实施方式提供的根据所述视频描述文本生成目标文本的流程示意图。

图3为基于本公开一种实施方式提供的视频生成方法的流程示意图。

图4为根据本公开的一种实施方式提供的视频生成装置的框图。

图5示出了适于用来实现本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

同时，可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

图1所示，为根据本公开的一种实施方式提供的视频生成方法的流程图，如图1所示，所述方法可以包括：

在步骤11中，接收视频描述文本，根据视频描述文本生成目标文本，目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本。

其中，视频描述文本可以是用户输入的用于进行视频生成的剧情简要描述。如“Tom举办了一个party”，则该步骤中可以基于该视频描述文本生成对应的目标文本，即基于用户输入的剧情简要描述，进行剧本扩写和生成，获得具有详细场景和交互特征的目标文本。作为示例，每一子文本可以对应一个虚拟场景，该虚拟场景可以是预置的场景库中的场景，不同子文本对应的虚拟场景可以相同，每一子文本可以是用于表示一个分镜的剧本。虚拟角色可以是基于该视频描述文本中的内容所确定出进行交互的角色，则可以根据用户输入的视频描述文本，生成符合视频剧情的具有详细特征描述的目标文本，无需用户进行手动编辑角色的对话或操作以及进行场景切换和设置，节省人工操作。

在步骤12中，基于子文本中的交互文本，生成子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成目标文本对应的控制指令序列。

其中，交互文本中可以包含虚拟角色进行的交互操作，如虚拟角色的对话。则该步骤中可以针对每一交互文本进一步确定出其对应的虚拟角色的控制指令，在控制虚拟角色执行该控制指令时便可以驱动该虚拟角色进行相应的交互。若目标文本中包含多个子文本，则基于子文本的先后顺序对其分别对应的控制指令进行拼接，获得目标文本对应的控制指令序列，则该控制指令序列中包含整个目标文本中对虚拟角色的控制指令。

在步骤13中，控制虚拟角色执行控制指令序列中的控制指令，并通过虚拟相机对虚拟角色执行控制指令所得的画面进行录制，获得视频描述文本对应的目标视频。

其中，该虚拟相机(Virtual Camera)可以为虚拟场景内的渲染用相机，如游戏场景内预先配置的虚拟相机，基于该虚拟相机可以对虚拟场景中虚拟角色的动作画面进行显示，则可以进一步基于该虚拟相机的录制功能对虚拟角色的动作画面进行录制而获得视频。

控制虚拟角色执行控制指令序列中的控制指令，可以是通过计算机驱动该虚拟角色完成控制指令。其中，可以基于虚拟场景对应的应用中开放的API配置指令执行器，该指令执行器可以作为一个全局服务挂载在该应用中以由该应用的程序进行执行，作为示例，该指令执行器的刷新频率可以为游戏帧率，以保证视频生成的流畅度。

在该步骤中，通过控制虚拟角色执行控制指令而生成该虚拟角色实现控制指令相应的动作的画面。由此，控制虚拟角色执行目标文本对应的控制指令序列，则可以使该虚拟角色按照该目标文本的内容进行相应的交互操作。之后通过虚拟相机对虚拟角色执行控制指令过程对应的画面进行录制，获得虚拟角色对目标文本进行剧情演绎的目标视频。

作为示例，可以将虚拟相机录制的视频进行导出作为该目标视频。作为另一示例，在交互文本中可以包含虚拟角色的对白文本，则可以基于该对白文本生成对应的字幕信息，并基于该对白文本对应的控制指令的执行时间确定该字幕信息的显示时间，则可以对录制获得的视频进行后处理，以将该字幕信息添加至录制所得的视频中，将后处理所得的视频作为所述目标视频。其中，字幕信息显示的方式，如字体、颜色、字号、位置等属性可以基于实际应用场景进行配置，本公开对此不作限定。

由此，在上述技术方案中，可以基于视频描述文本中的内容描述，自动对其进行文本扩写和分析，以获得其对应的目标文本。之后能够基于该目标文本生成虚拟角色的控制指令，从而能够控制虚拟角色执行控制指令以使得该虚拟角色按照交互文本指示的交互内容进行剧情演绎，同时结合虚拟相机进行录制而获得驱动虚拟角色对视频描述文本对应的内容进行演绎的目标视频。由此，可以有效降低视频生成的复杂度，简化用户操作，大大降低视频生成过程对用户的技术要求。并且无需用户进行剧本撰写、素材操作和录制以及视频编辑和后处理等复杂的流程，有效降低人工工作量，另外，可以有效提高视频生成的自动化水平和效率。

在一种可能的实施例中，所述根据所述视频描述文本生成目标文本的示例性实现方式可以包括：

根据所述视频描述文本和预置的多个虚拟场景，确定所述视频描述文本中的虚拟角色以及至少一个大纲文本，其中，每一所述大纲文本对应一个虚拟场景，所述大纲文本中包含所述虚拟场景中的虚拟角色和用于表示所述虚拟场景中的交互剧情的描述文本。

其中，所述虚拟场景对应的交互剧情的描述文本中可以包含虚拟场景中的多个虚拟角色之间的交互操作，也可以包含虚拟场景中的虚拟角色与该虚拟场景的物品之间的交互操作，该描述文本可以是对虚拟角色执行的交互操作的简要概述outline，其可以通过自然语言文本进行表示。

其中，可以在场景库中预先设置多个虚拟场景，从而可以支持在多种虚拟场景中进行视频生成，提高生成的视频的多样性。作为示例，可以将视频描述文本和预置的多个虚拟场景输入语言处理模型，以输出视频描述文本中参与交互的虚拟角色，以及视频描述文本的大纲文本。其中，该语言处理模型可以基于大语言模型(LLM，Large Language Model)实现。

在确定所述视频描述文本中的虚拟角色以及至少一个大纲文本时，可以在输入提示词prompt中通过增加示例example的形式控制大纲文本中的叙事结构，该示例中可以包含示例视频描述文本和其对应的示例虚拟角色以及示例大纲文本，使得语言处理模型可以基于该示例确定输入的视频描述文本中的虚拟角色以及大纲文本。

之后，针对每一所述大纲文本，根据所述大纲文本和所述大纲文本对应的历史关联文本，生成所述大纲文本中的虚拟角色对应的交互文本，所述交互文本包含对白文本和/或旁白文本。

其中，生成的大纲文本的先后顺序可以用于表示该视频描述文本对应的剧情时间线，在前的大纲文本的剧情可以是在后的场景文本大纲的历史剧情，如生成的大纲文本包含A1-A10，在A1作为第一幕剧情，A1为A2的历史剧情，A1和A2为A3的历史剧情等，其他以此类推，不再赘述。则针对A8而言，A1-A7都可以作为其对应的历史剧情。

该实施例中，历史关联文本可以用于表示与当前的大纲文本相关联的历史剧情对应的文本。

在该步骤中，可以基于大纲文本和其对应的历史关联文本，生成该大纲文本对应的交互文本。在该交互文本中包含虚拟角色的对白文本，示例如下：

Tom：欢迎来参加party；

C1：谢谢。

在该交互文本中也可以包含虚拟角色对应的旁白文本，示例如：Tom和C1一起走到餐桌旁边。

作为示例，根据所述大纲文本和所述大纲文本对应的历史关联文本，生成所述大纲文本中的虚拟角色对应的交互文本，可以是将大纲文本和历史关联文本输入LLM模型，从而获得该大纲文本对应的交互文本。

由此，在上述技术方案中，可以基于视频描述文本首先生成大纲文本和虚拟角色，从而可以获得多个分镜的描述文本，以对分镜剧情进行简要描述。之后迭代式地基于大纲文本及其对应的历史关联文本，生成每一大纲文本对应的包含精细特征的交互文本，无需用户进行剧本的编写，有效降低用户进行视频创作过程的人工工作量，简化视频生成流程。

在一种可能的实施例中，所述大纲文本具有顺序标识，该顺序标识用于表示基于该大纲文本生成的视频的显示位置。如上文所述大纲文本包含A1-A10，则其可以按照该顺序依次进行视频生成。

相应地，所述方法还包括：

在生成所述交互文本后，确定所述交互文本对应的摘要信息并存储。

其中，在生成交互文本后，可以基于本领域通用的摘要生成方式生成其摘要信息summary，本公开对此不作限定。作为示例，可以将每一交互文本对应的摘要信息存储至记忆池中，以便基于该摘要信息进行记忆回放。其中，根据所述视频描述文本生成目标文本的流程示意图如图2所示。

若所述大纲文本的顺序标识指示所述大纲文本为第一个大纲文本，则所述大纲文本对应的历史关联文本为空。

针对大纲文本A1，其顺序标识指示所述大纲文本为第一个大纲文本，则其之前并未有其他剧情，则其对应的历史关联文本可以为空值。

若所述大纲文本的顺序标识指示所述大纲文本不是第一个大纲文本，则根据所述大纲文本与存储的交互文本对应的摘要信息进行匹配。

以大纲文本A4为例，其顺序标识指示所述大纲文本不是第一个大纲文本，则可以根据所述大纲文本与存储的交互文本对应的摘要信息进行匹配。即通过大纲文本A4分别与A1、A2和A3进行匹配。

作为示例，根据所述大纲文本与存储的交互文本对应的摘要信息进行匹配，可以是基于大纲文本中的描述文本与该摘要信息进行匹配，作为示例，可以通过计算描述文本与摘要信息对应的语义文本相似度，将摘要信息中与该描述文本的语义文本相似度超过相似度阈值的摘要信息作为匹配的摘要信息。其中，可以通过NLP(Natural LanguageProcessing，自然语言处理)模型确定语义文本相似度。其中，在确定摘要信息中与描述文本的语义文本相似度时，可以对摘要信息和描述文本进行分隔划分，基于分隔划分后的子文本计算语义文本相似度，并将超过相似度阈值的摘要信息作为匹配的摘要信息，从而能够匹配到交互文本的摘要信息或者部分摘要信息。

若匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本以及匹配到的所述摘要信息，作为所述大纲文本对应的历史关联文本。

作为示例，若A4的描述文本与A1、A2、A3对应的交互文本的摘要信息分别进行匹配，确定匹配到A1中的部分摘要信息，则可以将匹配到的A1中的部分摘要信息，以及A4的上一大纲文本A3对应的交互文本作为A4对应的历史关联文本。

若未匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本，作为所述大纲文本对应的历史关联文本。

作为示例，若A4的描述文本与A1、A2、A3对应的交互文本的摘要信息分别进行匹配，未匹配到摘要信息，则可以直接将A4的上一大纲文本A3对应的交互文本作为A4对应的历史关联文本。

由此，通过上述技术方案，可以将已经生成的交互文本进一步生成其摘要信息并进行存储，则在后续剧情的大纲文本在生成交互文本时，可以从存储的摘要信息中进行匹配，从而可以从历史剧情中匹配与当前大纲文本相关的历史关联文本，以辅助当前的大纲文本的剧情生成，提高交互文本的生成的精细度，同时能够提高视频生成过程中与历史剧情之间的关联性和一致性，提高视频生成的逻辑流畅度。

在一种可能的实施例中，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；相应地，所述方法还包括：

基于所述角色描述信息和预置的角色服装组件，确定每一所述虚拟角色对应的目标服装组件，并基于所述目标服装组件渲染所述虚拟角色。

作为示例，针对每一虚拟角色，可以基于该虚拟角色的角色描述信息确定所述虚拟角色的外观特征。作为示例，该角色描述信息中可以包含该虚拟角色的类型，如虚拟角色C1可以为公司职员，则可以预先设置不同的类型的虚拟角色对应的角色服装组件，如针对公司职员，其可以设置套装服装，则针对虚拟角色C1，其可以从预置的角色服装组件中选择套装作为该虚拟角色对应的目标服装组件。若存在多个套装可以从中随机选择一套作为目标服装组件，或者可以基于角色描述信息中对虚拟角色的外观特征的其他描述进行匹配。

作为另一示例，可以角色描述信息中可以包含该虚拟角色对应的性格描述和服装描述。作为示例，可以基于LLM模型实现根据性格描述和服装描述进行角色服装组件的选择，如可以通过prompt工程完成对LLM模型的任务提示，使得该LLM模型能够针对不同的虚拟角色进行目标服装组件的选择。如可以将性格描述和服装描述以及预置的多个角色服装组件输入LLM模型，则可以基于模型的输出确定目标服装组件。之后，可以基于所述目标服装组件渲染所述虚拟角色，从而为该虚拟角色配置该目标服装组件对应的服装。

由此，通过上述技术方案，可以进一步提高虚拟场景中的虚拟角色的多样性，提高视频生成过程中的虚拟角色的特征全面性，实现虚拟角色的自动化配置，有效节省用户操作。

在一种可能的实施例中，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；相应地，所述方法还包括：

根据所述角色描述信息和预置的多种声音特征，确定每一所述虚拟角色对应的目标声音特征。

其中，在虚拟场景中，可以预先为其中的各个虚拟角色配置性别和年龄特征，该虚拟角色可以为卡通形象或人物形象。相应地，在确定出虚拟角色后，其角色描述信息中可以包含虚拟角色对应的性别和年龄等特征信息。

作为示例，可以预先配置多种音色对应的语音合成模型，并针对每一语音合成模型配置其对应的角色属性，如可以分别设置女生和男生对应的语音合成模型，在不同性别下又可以针对青年、中年和老年分别设置不同的语音合成模型。

则在确定出虚拟角色后，可以根据该虚拟角色对应的角色描述信息确定该虚拟角色对应的语音合成模型，该语音合成模型对应的特征标识可以作为该目标声音特征。

为了提高语音合成的多样性，可以针对同一年龄段设置多个不同的语音合成模型，示例地，针对虚拟角色C2，基于其对应的角色描述信息为女生、青年，若确定出的语音合成模型为多个，则可以从该多个中随机选择一者作为其对应的目标声音特征。针对虚拟角色C3，基于其对应的角色描述信息为女生、青年，若确定出的语音合成模型为多个，则可以从该多个中除C2对应的语音合成模型之外随机选择一者作为其对应的目标声音特征，从而可以在一定程度上使得不同的虚拟角色能够通过不同的声音特征进行语音合成。

根据所述目标声音特征和所述虚拟角色对应的对白文本，生成所述虚拟角色对应的对白语音；

在控制所述虚拟角色执行所述控制指令时播放与所述控制指令和所述虚拟角色对应的对白语音。

作为示例，语音合成模型可以基于本领域通用的语音合成方式实现，则针对各个虚拟角色，可以将该虚拟角色对应的对白文本输入该目标声音特征对应的语音合成模型，从而可以生成对白语音。

在该实施例中，若该控制指令用于控制该虚拟角色讲话，则在该控制指令执行期间播放该控制指令对应的该虚拟角色的对白语音，使得虚拟相机在进行录制时能够同时录制该对白语音，无需视频后期进行音频插入和处理，进一步简化视频生成的流程。

在一种可能的实施例中，在所述基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令之前，所述方法还可以包括：

展示所述目标文本。该实施例中，可以在展示界面中展示生成的目标文本，以便于用户确认该目标文本是否与其所要创作的内容相一致。

作为示例，用户可以通过确认操作而对目标文本进行确认，则后续可以基于该确认的目标文本进行控制指令的生成，以完整视频生成过程。

作为另一示例，用户基于其自身创作思路，可以对展示的目剧本文本进行编辑，以对该目标文本进行修改。如用户可以通过点击编辑控制二对目标文本进行编辑，响应于接收到用户的编辑操作，将所述编辑操作所得的文本作为新的目标文本。

该实施例中，可以将用户进行编辑后所得的文本作为新的目标文本，则在后续进行控制指令的生成时可以基于该新的目标文本进行生成。由此，可以提高用于进行控制指令生成的目标文本与用户的视频创作意图的一致性，从而提高后续生成的视频的准确性，提升用户对于目标视频的满意度。

在一种可能的实施例中，所述基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令的示例性实现方式可以包括：

确定所述子文本对应的虚拟场景中的交互对象。

其中，不同的虚拟场景中能够与虚拟角色进行交互的对象可以预先设置，如虚拟场景中的桌子、沙发、电视机等虚拟对象，虚拟角色可以与其进行交互而进行剧情演绎，如虚拟角色A打开虚拟场景中的电视机。

根据所述交互对象和所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令。

作为示例，可以预先定义虚拟角色对应的控制指令，如说话、移动、表情、动作、物品操作等，其可以根据实际应用场景进行设置，本公开对此不作限定。

该步骤中，可以将交互对象和子文本中的交互文本输入LLM模型，从而可以生成虚拟角色对应的控制指令。作为示例，该控制指令可以通过二维list表示，在list中每一元素用于表示一个时间步下的指令集合，该指令集合中包含该时间步下各个虚拟对象对应的指令。例如，在交互文本包含虚拟角色C1和C2，则每一时间步下的指令集合中包含该时间步下C1对应的指令以及C2对应的指令，多个时间步下的指令进行拼接以获得该指令集合。

由此，通过上述技术方案，在确定虚拟角色对应的控制指令时，能够利用虚拟场景中的交互对象进行控制指令的生成，以基于虚拟场景中的预置资产进行剧情演绎，保证虚拟角色的控制指令的有效性。

在一种可能的实施例中，所述根据所述交互对象和所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令的示例性实现方式可以包括：

对所述子文本中的交互文本进行解析，获得所述交互文本中的目标旁白文本。

其中，所述目标旁白文本包括以下中的至少一者：

处于所述子文本的开始位置的旁白文本；

处于所述子文本的结束位置的旁白文本；

所述子文本中连续的旁白文本。

作为示例，该步骤中可以首先对交互文本进行解析，确定该交互文本中的对白文本和旁白文本，其中，交互文本中对应有说话虚拟角色的文本作为对白文本，其余文本作为旁白文本。在交互文本中通过分隔符对对白文本和旁白文本进行分隔。相邻的两个分隔符中间的对白文本作为一个对白文本，相邻的两个分隔符中间的旁白文本作为一个旁白文本。

之后，确定所述子文本的开始位置和结束位置的文本是否为旁白文本，即交互文本中的第一个文本和最后一个文本是否为旁白文本，若是，则确定该旁白文本为目标旁白文本。

进一步地，针对所述子文本的开始位置和结束位置之外的旁白文本，若存在连续的旁白文本，则将该连续的旁白文本均作为目标旁白文本。

基于第一输入提示方式，将所述目标旁白文本和所述交互对象输入旁白处理模型，获得所述虚拟角色对应的第一控制指令；

基于第二输入提示方式，将所述交互文本中除所述目标旁白文本之外的文本和所述交互对象输入对白处理模型，获得所述虚拟角色对应的第二控制指令，其中，所述第一输入提示方式和第二输入提示方式不同。

其中，该旁白处理模型和对白处理模型都可以基于LLM模型实现，通过对旁白处理模型和对白处理模型分别设置不同的输入提示方式，以基于该对应的输入提示方式构建提示词prompt而约束模型的输出，获得相应的控制指令。如针对对白处理模型，其对应的第一输入提示方式的提示词prompt可以预置为：根据以下文本进行控制指令的确定，要求虚拟角色的表情动作朝向等的选择准确、丰富、生动。如针对旁白处理模型，其对应的第二输入提示方式的提示词prompt可以预置为：根据以下文本进行控制指令的确定，要求发挥一定想象力，基于虚拟场景中的交互对象将目标旁白文本中的剧情进行体现，要完整地表达出目标旁白文本中的信息量，同时不过度发挥生成超出目标旁白文本的内容的剧情。

之后，按照所述交互文本中的各个文本的顺序对所述第一控制指令和第二控制指令进行拼接，获得所述交互文本中的虚拟角色对应的控制指令。

由此，通过上述技术方案，可以针对每一子文本进行控制指令的生成，并且在生成过程中可以针对虚拟角色的对白文本和旁白文本进行相应的处理，提高获得的控制指令的准确性，为后续控制虚拟角色进行剧情演绎提供有效支持。

在一种可能的实施例中，在所述控制所述虚拟角色执行所述控制指令序列中的控制指令之前，所述方法还包括：

确定所述控制指令对应的运镜方式；

基于所述控制指令对应的运镜方式调整虚拟相机的镜头参数。

其中，为了提高视频录制镜头的多样性，该实施例中可以预先设置多种运镜方式，并配置每一运镜方式对应的镜头参数，以便能够基于多样化的拍摄方式进行视频生成。相应地，在每一控制指令执行之前，可以先确定出控制指令对应的运镜方式，从而能够基于该运镜方式对应的镜头参数对虚拟相机的镜头参数进行调整，之后控制所述虚拟角色执行所述控制指令，并基于镜头参数调整之后的虚拟相机对虚拟角色执行控制指令所形成的画面进行录制，在视频生成过程中可以进行运镜方式的切换，通过模拟真实视频录制过程提高生成的视频的细节丰富程度，简化视频后处理的操作流程。

在一种可能的实施例中，所述确定所述控制指令对应的运镜方式的示例性实现方式可以包括：

根据所述控制指令对应的指令类型，查询预置的多种运镜方式对应的指令类型。

如上文所示，控制指令为指令执行器中预先设置的多种指令，其可以包含以下多种指令类型：

{SayTo,GoTo,GoSit,LookAt,Use,HandHeldAndUse,PlayAnimation,PlayExpression,Stroll,InitRegionIns,Follow,ChangeClothes,PlaySound}。

其中，指令类型可以基于实际应用场景进行设置，本公开对此不作限定。

运镜方式可以包含：单人全身、单人半身、单人脸部正侧面、多人镜头和角色背后跟随等，针对每一运镜方式预先设置其对应的指令类型，如单人全身对应的指令类型可以包含{SayTo,GoTo,LookAt,Use,PlayAnimation}。单人半身对应的指令类型可以包含{SayTo,LookAt,PlayAnimation}。

将查询到的与所述控制指令对应的指令类型对应的运镜方式，确定为所述控制指令对应的候选运镜方式。

若控制指令K1的指令类型为SayTo，则可以将SayTo类型对应的运镜方式作为该控制指令K1的候选运镜方式，即将单人全身和单人半身作为该控制指令K1对应的候选运镜方式。

基于所述候选运镜方式确定所述控制指令对应的运镜方式。

作为示例，若候选运镜方式为多个，可以随机选择一者作为其对应的运镜方式。作为另一示例，每一运镜方式可以预先配置相应的权重，则可以基于候选运镜方式的权重进行采样，将采样得到的运镜方式确定为所述控制指令对应的运镜方式。由此，可以进一步提高运镜方式的随机性和多样性，从而保证生成的视频中视角多样性，在提高视频生成自动化的同时，提升用户对生成的视频的满意度。

在一种可能的实施例中，所述方法还可以包括：

根据所述控制指令对应的指令类型和指令参数，确定与所述控制指令对应的音效；

在基于控制指令控制所述虚拟角色的操作时播放与所述控制指令对应的音效。

在该实施例中，可以为某个控制指令配置其对应的音效，如需要在控制虚拟角色做某种表情时配置相应的音效，则指令类型可以为PlayExpression，如指令参数为惊讶表情时配置惊讶音效，指令参数为大笑表情配置哈哈音效等。又如需要在控制虚拟角色做某种动作时配置相应的音效，则指令类型可以为PlayAnimation，如指令参数为鞠躬动作时配置鞠躬音效，指令参数为跳舞动作时配置跳舞音效等。其可以根据具体的应用场景进行音效的配置和修改。

相应地，可以基于控制指令的指令类型和指令参数进行音效查询，若查询到表示该控制指令对应有配置的音效，则在基于控制指令控制所述虚拟角色的操作时播放与所述控制指令对应的音效。若未查询到则表示该控制指令未配置相应的音效，此时可以不做处理。如图3所示，为基于本公开一种实施方式提供的视频生成方法的流程示意图。

由此，通过上述技术方案，可以针对控制指令配置相应的音效，使得生成的视频中可以包含虚拟角色的交互的同时还可以包含更多维度的特征，进一步提高生成的视频的内容丰富程度。

在一种可能的实施例中，指令类型可以包含播放动作的类型，为了提高生成的视频中虚拟角色交互操作的多样性，该实施例中，可以基于video-to-motion预先生成动作库中的多个动作动画。如可以通过预先录制现实中人的动作视频，之后基于姿态估计、人体多实例分割、ReID(Re-identification)等计算机视觉识别技术获得人体骨骼关键点运动序列，并基于前向后向算法预估得到虚拟角色中等比例的关键点运动序列，从而得出虚拟角色执行该动作对应的动作动画，并存储。则后续在确定虚拟角色的指令类型为播放动作，在可以从动作库中查询相应的动作动画进行播放，提高虚拟角色可以执行的动作的多样性的同时，提高控制指令执行的准确性和效率。

基于同样的发明构思，本公开还提供一种视频生成装置，如图4所示，所述装置10包括：

第一生成模块100，用于接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；

第二生成模块200，用于基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；

处理模块300，用于控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

可选地，所述第一生成模块包括：

第一确定子模块，用于根据所述视频描述文本和预置的多个虚拟场景，确定所述视频描述文本中的虚拟角色以及至少一个大纲文本，其中，每一所述大纲文本对应一个虚拟场景，所述大纲文本中包含所述虚拟场景中的虚拟角色和用于表示所述虚拟场景中的交互剧情的描述文本；

第一生成子模块，用于针对每一所述大纲文本，根据所述大纲文本和所述大纲文本对应的历史关联文本，生成所述大纲文本中的虚拟角色对应的交互文本，所述交互文本包含对白文本和/或旁白文本。

可选地，所述大纲文本具有顺序标识；所述装置还包括：

第一确定模块，用于在生成所述交互文本后，确定所述交互文本对应的摘要信息并存储；

第二确定模块，用于若所述大纲文本的顺序标识指示所述大纲文本为第一个大纲文本，则所述大纲文本对应的历史关联文本为空；

第三确定模块，用于若所述大纲文本的顺序标识指示所述大纲文本不是第一个大纲文本，则根据所述大纲文本与存储的交互文本对应的摘要信息进行匹配；若匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本以及匹配到的所述摘要信息，作为所述大纲文本对应的历史关联文本；若未匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本，作为所述大纲文本对应的历史关联文本。

可选地，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；所述装置还包括：

第四确定模块，用于基于所述角色描述信息和预置的角色服装组件，确定每一所述虚拟角色对应的目标服装组件，并基于所述目标服装组件渲染所述虚拟角色。

可选地，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；

所述装置还包括：

第五确定模块，用于根据所述角色描述信息和预置的多种声音特征，确定每一所述虚拟角色对应的目标声音特征；

第三生成模块，用于根据所述目标声音特征和所述虚拟角色对应的对白文本，生成所述虚拟角色对应的对白语音；

第一播放模块，用于在控制所述虚拟角色执行所述控制指令时播放与所述控制指令和所述虚拟角色对应的对白语音。

可选地，所述装置还包括：

展示模块，用于在所述第二生成模块基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令之前，展示所述目标文本；

第六确定模块，用于响应于接收到用户的编辑操作，将所述编辑操作所得的文本作为新的目标文本。

可选地，所述第二生成模块包括：

第二确定子模块，用于确定所述子文本对应的虚拟场景中的交互对象；

第二生成子模块，用于根据所述交互对象和所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令。

可选地，所述第二生成子模块包括：

解析子模块，用于对所述子文本中的交互文本进行解析，获得所述交互文本中的目标旁白文本；

第一处理子模块，用于基于第一输入提示方式，将所述目标旁白文本和所述交互对象输入旁白处理模型，获得所述虚拟角色对应的第一控制指令；

第二处理子模块，用于基于第二输入提示方式，将所述交互文本中除所述目标旁白文本之外的文本和所述交互对象输入对白处理模型，获得所述虚拟角色对应的第二控制指令，其中，所述第一输入提示方式和第二输入提示方式不同；

拼接子模块，用于按照所述交互文本中的各个文本的顺序对所述第一控制指令和第二控制指令进行拼接，获得所述交互文本中的虚拟角色对应的控制指令；

其中，所述目标旁白文本包括以下中的至少一者：

处于所述子文本的开始位置的旁白文本；

处于所述子文本的结束位置的旁白文本；

所述子文本中连续的旁白文本。

可选地，所述装置还包括：

第七确定模块，用于在所述处理模块控制所述虚拟角色执行所述控制指令序列中的控制指令之前，确定所述控制指令对应的运镜方式；

调整模块，用于基于所述控制指令对应的运镜方式调整虚拟相机的镜头参数。

可选地，所述第七确定模块包括：

查询子模块，用于根据所述控制指令对应的指令类型，查询预置的多种运镜方式对应的指令类型；

第三确定子模块，用于将查询到的与所述控制指令对应的指令类型对应的运镜方式，确定为所述控制指令对应的候选运镜方式；

第四确定子模块，用于基于所述候选运镜方式确定所述控制指令对应的运镜方式。

可选地，所述装置还包括：

第八确定模块，用于根据所述控制指令对应的指令类型和指令参数，确定与所述控制指令对应的音效；

第二播放模块，用于在控制所述虚拟角色执行所述控制指令播放与所述控制指令对应的音效。

下面参考图5，其示出了适于用来实现本公开实施例的电子设备(例如终端设备或服务器)600的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图5示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图5所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定，例如，第一生成模块还可以被描述为“接收视频描述文本，根据所述视频描述文本生成目标文本的模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

根据本公开的一个或多个实施例，示例1提供了一种视频生成方法，所述方法包括：

接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；

基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；

控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

根据本公开的一个或多个实施例，示例2提供了示例1的方法，其中，所述根据所述视频描述文本生成目标文本，包括：

根据所述视频描述文本和预置的多个虚拟场景，确定所述视频描述文本中的虚拟角色以及至少一个大纲文本，其中，每一所述大纲文本对应一个虚拟场景，所述大纲文本中包含所述虚拟场景中的虚拟角色和用于表示所述虚拟场景中的交互剧情的描述文本；

针对每一所述大纲文本，根据所述大纲文本和所述大纲文本对应的历史关联文本，生成所述大纲文本中的虚拟角色对应的交互文本，所述交互文本包含对白文本和/或旁白文本。

根据本公开的一个或多个实施例，示例3提供了示例2的方法，其中，所述大纲文本具有顺序标识；所述方法还包括：

在生成所述交互文本后，确定所述交互文本对应的摘要信息并存储；

若所述大纲文本的顺序标识指示所述大纲文本为第一个大纲文本，则所述大纲文本对应的历史关联文本为空；

若所述大纲文本的顺序标识指示所述大纲文本不是第一个大纲文本，则根据所述大纲文本与存储的交互文本对应的摘要信息进行匹配；

若匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本以及匹配到的所述摘要信息，作为所述大纲文本对应的历史关联文本；

若未匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本，作为所述大纲文本对应的历史关联文本。

根据本公开的一个或多个实施例，示例4提供了示例2的方法，其中，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；

所述方法还包括：

基于所述角色描述信息和预置的角色服装组件，确定每一所述虚拟角色对应的目标服装组件，并基于所述目标服装组件渲染所述虚拟角色。

根据本公开的一个或多个实施例，示例5提供了示例2的方法，其中，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；

所述方法还包括：

根据所述角色描述信息和预置的多种声音特征，确定每一所述虚拟角色对应的目标声音特征；

根据所述目标声音特征和所述虚拟角色对应的对白文本，生成所述虚拟角色对应的对白语音；

在控制所述虚拟角色执行所述控制指令时播放与所述控制指令和所述虚拟角色对应的对白语音。

根据本公开的一个或多个实施例，示例6提供了示例1的方法，其中，在所述基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令之前，所述方法还包括：

展示所述目标文本；

响应于接收到用户的编辑操作，将所述编辑操作所得的文本作为新的目标文本。

根据本公开的一个或多个实施例，示例7提供了示例1的方法，其中，所述基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，包括：

确定所述子文本对应的虚拟场景中的交互对象；

根据所述交互对象和所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令。

根据本公开的一个或多个实施例，示例8提供了示例7的方法，其中，所述根据所述交互对象和所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，包括：

对所述子文本中的交互文本进行解析，获得所述交互文本中的目标旁白文本；

基于第一输入提示方式，将所述目标旁白文本和所述交互对象输入旁白处理模型，获得所述虚拟角色对应的第一控制指令；

基于第二输入提示方式，将所述交互文本中除所述目标旁白文本之外的文本和所述交互对象输入对白处理模型，获得所述虚拟角色对应的第二控制指令，其中，所述第一输入提示方式和第二输入提示方式不同；

按照所述交互文本中的各个文本的顺序对所述第一控制指令和第二控制指令进行拼接，获得所述交互文本中的虚拟角色对应的控制指令；

其中，所述目标旁白文本包括以下中的至少一者：

处于所述子文本的开始位置的旁白文本；

处于所述子文本的结束位置的旁白文本；

所述子文本中连续的旁白文本。

根据本公开的一个或多个实施例，示例9提供了示例1的方法，其中，在控制所述虚拟角色执行所述控制指令序列中的控制指令之前，所述方法还包括：

确定所述控制指令对应的运镜方式；

基于所述控制指令对应的运镜方式调整虚拟相机的镜头参数。

根据本公开的一个或多个实施例，示例10提供了示例9的方法，其中，所述确定所述控制指令对应的运镜方式，包括：

根据所述控制指令对应的指令类型，查询预置的多种运镜方式对应的指令类型；

将查询到的与所述控制指令对应的指令类型对应的运镜方式，确定为所述控制指令对应的候选运镜方式；

基于所述候选运镜方式确定所述控制指令对应的运镜方式。

根据本公开的一个或多个实施例，示例11提供了示例1的方法，其中，所述方法还包括：

根据所述控制指令对应的指令类型和指令参数，确定与所述控制指令对应的音效；

在控制所述虚拟角色执行所述控制指令时播放与所述控制指令对应的音效。

根据本公开的一个或多个实施例，示例12提供了一种视频生成装置，所述装置包括：

第一生成模块，用于接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；

第二生成模块，用于基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；

处理模块，用于控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

根据本公开的一个或多个实施例，示例13提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理装置执行时实现示例1-11中任一项所述方法的步骤。

根据本公开的一个或多个实施例，示例14提供了一种电子设备，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现示例1-11中任一项所述方法的步骤。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

Claims (14)

1.一种视频生成方法，其特征在于，所述方法包括：

接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；

基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；

控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

2.根据权利要求1所述的方法，其特征在于，所述根据所述视频描述文本生成目标文本，包括：

根据所述视频描述文本和预置的多个虚拟场景，确定所述视频描述文本中的虚拟角色以及至少一个大纲文本，其中，每一所述大纲文本对应一个虚拟场景，所述大纲文本中包含所述虚拟场景中的虚拟角色和用于表示所述虚拟场景中的交互剧情的描述文本；

针对每一所述大纲文本，根据所述大纲文本和所述大纲文本对应的历史关联文本，生成所述大纲文本中的虚拟角色对应的交互文本，所述交互文本包含对白文本和/或旁白文本。

3.根据权利要求2所述的方法，其特征在于，所述大纲文本具有顺序标识；所述方法还包括：

在生成所述交互文本后，确定所述交互文本对应的摘要信息并存储；

若所述大纲文本的顺序标识指示所述大纲文本为第一个大纲文本，则所述大纲文本对应的历史关联文本为空；

若所述大纲文本的顺序标识指示所述大纲文本不是第一个大纲文本，则根据所述大纲文本与存储的交互文本对应的摘要信息进行匹配；

若匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本以及匹配到的所述摘要信息，作为所述大纲文本对应的历史关联文本；

若未匹配到摘要信息，则将所述大纲文本的上一大纲文本对应的交互文本，作为所述大纲文本对应的历史关联文本。

4.根据权利要求2所述的方法，其特征在于，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；

所述方法还包括：

基于所述角色描述信息和预置的角色服装组件，确定每一所述虚拟角色对应的目标服装组件，并基于所述目标服装组件渲染所述虚拟角色。

5.根据权利要求2所述的方法，其特征在于，所述大纲文本中还包含所述虚拟场景中的虚拟角色的角色描述信息；

所述方法还包括：

根据所述角色描述信息和预置的多种声音特征，确定每一所述虚拟角色对应的目标声音特征；

根据所述目标声音特征和所述虚拟角色对应的对白文本，生成所述虚拟角色对应的对白语音；

在控制所述虚拟角色执行所述控制指令时播放与所述控制指令和所述虚拟角色对应的对白语音。

6.根据权利要求1所述的方法，其特征在于，在所述基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令之前，所述方法还包括：

展示所述目标文本；

响应于接收到用户的编辑操作，将所述编辑操作所得的文本作为新的目标文本。

7.根据权利要求1所述的方法，其特征在于，所述基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，包括：

确定所述子文本对应的虚拟场景中的交互对象；

根据所述交互对象和所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令。

8.根据权利要求7所述的方法，其特征在于，所述根据所述交互对象和所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，包括：

对所述子文本中的交互文本进行解析，获得所述交互文本中的目标旁白文本；

基于第一输入提示方式，将所述目标旁白文本和所述交互对象输入旁白处理模型，获得所述虚拟角色对应的第一控制指令；

基于第二输入提示方式，将所述交互文本中除所述目标旁白文本之外的文本和所述交互对象输入对白处理模型，获得所述虚拟角色对应的第二控制指令，其中，所述第一输入提示方式和第二输入提示方式不同；

按照所述交互文本中的各个文本的顺序对所述第一控制指令和第二控制指令进行拼接，获得所述交互文本中的虚拟角色对应的控制指令；

其中，所述目标旁白文本包括以下中的至少一者：

处于所述子文本的开始位置的旁白文本；

处于所述子文本的结束位置的旁白文本；

所述子文本中连续的旁白文本。

9.根据权利要求1所述的方法，其特征在于，在所述控制所述虚拟角色执行所述控制指令序列中的控制指令之前，所述方法还包括：

确定所述控制指令对应的运镜方式；

基于所述控制指令对应的运镜方式调整虚拟相机的镜头参数。

10.根据权利要求9所述的方法，其特征在于，所述确定所述控制指令对应的运镜方式，包括：

根据所述控制指令对应的指令类型，查询预置的多种运镜方式对应的指令类型；

将查询到的与所述控制指令对应的指令类型对应的运镜方式，确定为所述控制指令对应的候选运镜方式；

基于所述候选运镜方式确定所述控制指令对应的运镜方式。

11.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述控制指令对应的指令类型和指令参数，确定与所述控制指令对应的音效；

在控制所述虚拟角色执行所述控制指令时播放与所述控制指令对应的音效。

12.一种视频生成装置，其特征在于，所述装置包括：

第一生成模块，用于接收视频描述文本，根据所述视频描述文本生成目标文本，其中，所述目标文本中包含至少一个子文本，每一所述子文本对应一个虚拟场景，所述子文本中包含所述虚拟场景中的虚拟角色以及所述虚拟角色对应的交互文本；

第二生成模块，用于基于所述子文本中的交互文本，生成所述子文本中的虚拟角色对应的控制指令，并基于各个子文本对应的控制指令生成所述目标文本对应的控制指令序列；

处理模块，用于控制所述虚拟角色执行所述控制指令序列中的控制指令，并通过虚拟相机对所述虚拟角色执行所述控制指令所得的画面进行录制，获得所述视频描述文本对应的目标视频。

13.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理装置执行时实现权利要求1-11中任一项所述方法的步骤。

14.一种电子设备，其特征在于，包括：

存储装置，其上存储有计算机程序；

处理装置，用于执行所述存储装置中的所述计算机程序，以实现权利要求1-11中任一项所述方法的步骤。