本发明涉及一种将音频片段映射为人脸嘴型关键点的方法，属于人工智能中的多模态交互及音频信息转化技术领域。所述方法从带音频的视频中分别提取音频和视频；提取得到的视频数据中每帧人脸图像中嘴型关键点信息，并记录关键点的坐标；对音频数据提取Fbank特征，使用主成分分析对提取的嘴型关键点信息进行降维，去除冗余信息，使用1层简单循环神经网络，不进行时延处理，直接进行从音频信息到嘴型关键点之间的映射关键关系建模。所述方法使用的神经网络模型的复杂度更低，从而降低了模型训练难度，减少了模型的训练时间，使得前向推断速度更快，比现有方法具有更广阔的应用场景。