本申请公开了一种视频生成方法、装置、终端、服务器及存储介质，涉及视频处理技术领域。该方法包括：响应于对音频输入界面的音频输入操作，基于获取到的初始音频，显示关键词选择界面，关键词选择界面中包含至少一个推荐关键词，推荐关键词通过对初始音频进行音频识别得到；响应于对关键词选择界面中推荐关键词的编辑操作，确定至少一个目标关键词；响应于关键词选择界面内的视频合成操作，显示视频展示界面，视频展示界面中包含有目标视频，目标视频基于目标视频片段合成得到，目标视频片段基于目标关键词匹配得到。实现在视频生成场景中，用户可以通过输入一段语音，得到与语音相关的视频，提高了视频生成效率。