本文主要针对文本驱动的3D唇部可视语音合成技术进行研究。首先对三维唇部特征进行分析,并利用三维动态捕捉系统完成了特征点确定及特征点运动数据的采集工作；在可视语音合成方面采用图像拼接序列法,并融合了关键帧变形法中关键帧确定和提取的部分,并融合关键帧变形法,运用了关键帧变形法中对关键帧的确定和提取方法,将提取出的关键帧作为图像拼接的基础帧,用于图像拼接序列中的过渡帧合成；在输入文本分析方面采用了C++编程方法,利用目前已有的汉字-拼音库,基于汉语音素与可视音素即视素的归类方法,将输入文本转换为对应拼音,再将拼音拆分为最小音素；对于文本驱动的方法,首先根据音素口型变化特征确定视素的分类,确定音素与对应三维口型的映射关系,利用这个映射建立拼音-口型的映射关系,再建立文本-口型的映射关系。在上述研究的基础上,通过输入文本能够得到对应三维口型,再通过图像拼接方法,运用三维图像的插值手法,使输出的图像序列能更真实地反映唇部运动状态。软件仿真表明,所研究的方法在一定程度上实现了文本-可视语音合成,输出的唇部运动效果与实时的三维动态捕捉系统采集得到的视频相比,输出图像没有跳点,运动变化过程更清晰。