本实施例提供一种模型的训练方法、视频生成方法和装置、设备、介质，属于人工智能技术领域。包括：获取人脸图像，对人脸图像进行特征提取得到第一特征图像；将第一特征图像和预设的虚拟人脸特征数据进行特征拼接得到联合特征图像，能够保证训练出不同类型的虚拟人脸图像；通过预设的自注意力模型对第一特征图像进行自注意力处理，得到第二特征图像；对联合特征图像和第二特征图像进行特征提取处理，得到第三特征图像；根据第三特征图像对预设的神经网络模型进行训练处理，得到虚拟人脸图像生成模型。本实施例通过加入自注意力模型，能够在训练过程中让神经网络模型更专注于重点区域的学习，减少模型训练的时间，从而提高模型的训练效率。