本发明提供了一种基于神经辐射场的高质量人脸语音驱动方法，包括以下步骤：利用基于文本的语音识别模型对视频同步的语音信息进行特征提取，获得提取后的语音特征；对初始人脸说话视频集合逐帧进行分割；使用预训练好的三维人脸重建模型估计每帧人脸的姿态信息；利用多层感知器学习针对目标图片的神经辐射场模型；将所述语音特征作为条件信息，采用神经渲染的方式生成当前视角及语音条件下的图片。由基于神经辐射场训练的人脸说话模型，具有隐式表示三维人脸人体位移，包括刚性和非刚性运动的能力。由于神经渲染支持不同射线角度和不同密度的采样设置，其生成的人脸说话视频具有高质量且稳定的特点。