本申请提供一种语音与图像同步性的衡量方法及装置，该方法包括：获取视频中的语音片段和图像片段，语音片段与图像片段在视频中具有对应关系；根据图像片段生成目标人物的轮廓图，轮廓图与目标人物的个体特征无关；通过语音神经网络获得语音片段的语音特征；通过视觉神经网络获得轮廓图的视觉特征；根据语音特征与视觉特征，确定语音片段与图像片段是否具有同步性。在将图像片段输入视觉神经网络之前，通过先对图像片段进行处理，去除图像片段中与人物个体相关的特征，再将对图像片段处理后得到的图像数据输入视觉神经网络。这样，通过视觉神经网络获取的视觉特征就不再携带有说话人自身的特征，进而能够提高语音与图像同步性衡量的准确性。