本发明公开了一种基于演唱场景的交互实现方法、介质及系统，其中该方法包括：通过摄像头实时获取控制对象的人体影像，并根据人体影像采集对应的人体数据信息，并将人体影像和人体数据信息发送给PC端；PC端根据人体数据信息进行融合处理以生成融合画面，并将融合画面发送给机顶盒；机顶盒根据移动终端的点播指令获取歌词数据信息，并在演唱过程中实时获取麦克风采集的音频信息以生成歌词进度画面，以及对歌词进度画面与融合画面进行组合处理以生成组合画面，并将组合画面发送给显示屏；显示屏对组合画面进行显示，以便实现控制对象与显示屏的虚拟现实交互；能够满足用户的交互需求，而且无需增加成本，大大提高了用户体验。