观看视频时,视频人物唇形与音频不同步会极大地影响用户的观看体验。同时由于视频广告插入以及电影配音等商业化需求也使得唇形同步问题受到越来越多的关注。因此,唇形同步方面的研究也成为计算机视觉领域的一个热点。现有的唇形同步模型,主要是基于静态图像输出与目标语音匹配的唇形同步视频,但这对于动态的、在讲话的人物,唇形同步往往效果不佳。同时,该方式输出的视频存在人脸图像和视频帧不贴合的问题。针对这些问题,本文提出了基于生成式对抗网络的适用于任意身份视频且保持人脸贴切的唇形同步模型。输入的视频经过预处理流程,为生成器提供人脸脸颊信息,生成器使用门控循环单元对音频数据进行特征提取,并结合自注意力机制对唇形与音频之间的映射关系进行学习。同时搭配唇形同步判别器以及额外添加的人脸贴合判别器进行博弈学习,输出唇形同步且人脸保持贴切的视频。并且通过对比实验验证了本文模型的有效性。在此模型的基础上,本文设计并实现了一个视频人物唇形修改系统,将视频唇形同步模型用于辅助视频的创作编辑。通过前端、服务端以及模型之间的多模块通信,完成输入视频与目标音频的唇形同步处理。最后通过系统功能和性能测试验证视频人物唇形修改系统的可用性。