本申请公开了一种模型训练方法、视频分类方法、设备及计算机可读存储介质，训练方法包括：获取训练视频段；对训练视频段进行音频流提取处理，得到训练音频段；生成训练音频段对应的训练语谱图；在训练视频段中确定若干个训练视频帧；基于各个训练视频帧对应的采样时间点确定若干个采样时间区间，并根据各个采样时间区间在训练语谱图中选取若干个训练频谱图段；分别将各个训练视频帧与对应的训练频谱图段组合为训练数据组，并利用各个训练数据组生成训练数据；将训练数据输入具有时间迁移模块的初始模型，得到预测结果，并利用预测结果对初始模型进行参数调节；若检测到满足训练完成条件，则确定为视频分类模型；视频分类模型具有较高的准确性。