1.一种说话视频的处理方法，其特征在于，所述方法包括：获取包含图像的第一文件和包含音频的第二文件；

将所述第一文件和所述第二文件输入经过训练得到的说话视频合成模型，得到合成的说话视频，其中，所述说话视频合成模型包括对训练样本进行解离后得到的解离后的身份子空间和解离后的话语子空间；

输出所述合成的说话视频。

2.根据权利要求1所述的方法，其特征在于，其中，所述第一文件至少包括以下一种：图像、视频；所述第二文件至少包括以下一种：音频、有声视频。

3.根据权利要求1所述的方法，其特征在于，所述说话视频合成模型的训练过程，包括：获取图像与音频匹配的训练样本；

确定所述训练样本的身份子空间和所述训练样本的话语子空间；

确定所述训练样本中每一帧的话语特征、人脸身份特征和音频特征；

利用所述音频特征和所述话语特征对所述训练样本的身份子空间解离语音信息，得到所述解离后的身份子空间；

利用人脸身份特征对所述训练样本的话语子空间解离人物身份信息，得到所述解离后的话语子空间。

4.根据权利要求3所述的方法，其特征在于，所述确定所述训练样本中每一帧的话语特征、人脸身份特征和音频特征，包括：针对所述训练样本的每一帧；

将所述帧图像编码到所述训练样本的身份子空间，得到人脸身份特征向量；

将所述帧图像编码到所述训练样本的话语子空间，得到话语特征向量；

将所述帧图像对应的语音信息，编码到所述训练样本的话语子空间，得到音频特征向量。

5.根据权利要求3所述的方法，其特征在于，所述利用所述音频特征和所述话语特征对所述训练样本的身份子空间解离语音信息，得到所述解离后的身份子空间，包括：通过鉴别器利用所述音频特征向量与所述话语特征向量从所述训练样本的身份子空间中去除语音信息，得到所述解离后的身份子空间；

所述利用人脸身份特征对所述训练样本的话语子空间解离人物身份信息，得到所述解离后的话语子空间，包括：通过鉴别器利用所述人脸身份特征向量从所述训练样本的话语子空间中去除人物身份信息，得到所述解离后的话语子空间。

6.根据权利要求3所述的方法，其特征在于，在所述确定所述训练样本中每一帧的话语特征、人脸身份特征和音频特征之后，所述方法还包括：将所述训练样本的话语子空间中的所述音频特征向量与所述话语特征向量映射到预设位置。

7.根据权利要求6所述的方法，其特征在于，所述将所述训练样本的话语子空间中的所述音频特征向量与所述话语特征向量映射到预设位置，包括：利用同一个第一分类器将所述音频特征向量和所述话语特征向量映射到预设空间；

将处于所述预设空间中的所述音频特征向量和处于所述预设空间中的所述话语特征向量映射到所述预设空间中的预设位置。

8.一种说话视频的处理装置，其特征在于，所述装置包括：第一获取模块、第一处理模块和第一输出模块，其中：所述第一获取模块，用于获取包含图像的第一文件和包含音频的第二文件；

所述第一处理模块，用于将所述第一文件和所述第二文件输入经过训练得到的说话视频合成模型，得到合成的说话视频，其中，所述说话视频合成模型包括对训练样本进行解离后得到的解离后的身份子空间和解离后的话语子空间；

所述第一输出模块，用于输出所述合成的说话视频。

9.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有计算机可执行指令，该计算机可执行指令被执行后，能够实现权利要求1至7任一项所述的方法步骤。

10.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器上存储有计算机可执行指令，所述处理器运行所述存储器上的计算机可执行指令时可实现权利要求1至7任一项所述的方法步骤。