语言视频模型训练及视频处理方法、设备、介质和产品

本发明实施例提供一种语言视频模型训练及视频处理方法、设备、介质和产品，属于AI领域，该方法包括：获取训练样本视频及其对应的详细描述文本和摘要描述文本；通过语言视频模型中的文本编码器和视频编码器分别确定详细描述文本的第一文本特征、摘要描述文本的第二文本特征，训练样本视频的第一视频特征；以第一文本特征与第二文本特征之间的第一相似度为指导，对第一视频特征进行主成分提取得到第二视频特征；根据第一视频特征和第一文本特征确定第一损失函数值，并根据第二视频特征和第二文本特征确定第二损失函数值；根据第一损失函数值和第二损失函数值，训练语言视频模型，使得该语言视频模型具有良好的长视频描述文本的理解能力。