一种视频处理方法及装置、神经网络的训练方法及装置。该视频处理方法包括：获取至少一个帧图像和音频片段；对至少一个帧图像进行预处理，得到面部区域的嘴部特征信息；基于嘴部特征信息和音频片段，使用视频处理网络对至少一个帧图像进行处理，得到目标视频，其中，目标视频中的对象具有与音频片段同步的嘴型变化，嘴部特征信息至少用于向视频处理网络提供每个对象的面部区域和嘴部的基本轮廓，以及每个对象的面部区域和嘴部的位置关系。在该视频处理方法中，利用嘴部特征信息向视频处理网络提供脸部与嘴部的大致轮廓与位置，方便网络生成更加准确的嘴部区域，所得到的目标视频的嘴型部分匹配度更高，准确度也更高。