自然语言处理是近年来的热门技术领域，自然语言生成任务一般采用NNLM(Neural Network Language Models，神经网络语言模型)，常见的有基于ARLM(Auto-regressive Decoding，自回归解码)的GPT-2模型。由于模型依靠概率生成，导致生成的随机性较强，内容无法控制，不符合特定需求。现有技术中为解决上述问题的技术手段之一，是依托于条件信息，如关键词、情感、风格等，在生成文本时添加一个属性判别器：首先训练一个生成器和一个判别器，生成器p(g)生成文本，判别器判决属性类别p(c|g)，然后得到p(g|c)。回传梯度，更新语言模型内部状态，使得实际预测更接近想要属性，最后获得的新输出的概率分布，采样生成一个新的词。但是，这种现有技术虽然在一定程度上克服了生成文本随机性过强的问题，但其工作原理是在模型训练的同时生成结果，导致效率十分低下，且不能在更细粒度上控制文本生成。针对现有技术中的上述不足，本发明公开了一种条件文本生成方法，包括采集文本数据；数据预处理；构建编码器、解码器；将条件信息和文本数据分别通过编码器编码，得到条件特征、文本特征；将条件特征和文本特征进行特征融合，得到融合后的特征，记为融合特征；将所述融合特征作为解码器的输入，得到解码器的输出结果；计算损失；基于解码器的输出结果和损失，对网络模型进行训练，直到满足训练条件或达到最大训练次数，输出训练后的网络模型；向训练后的网络模型中输入条件信息和提示文本，生成文本。本发明要解决的技术问题之一是现有条件文本生成技术会在模型训练的同时生成结果，导致效率低下、细粒度不高的问题，实现更高效、流畅的生成条件文本的目的。