本发明涉及语音分析领域，尤其涉及一种视频剪辑方法、装置、计算机设备及存储介质。其方法包括：获取待剪辑视频；从待剪辑视频提取目标音频流和目标视频流；对目标音频流进行语音识别，得到与目标音频流对应的文字文本以及文字文本在目标音频流的出现时间；根据文字文本和出现时间生成字幕文件；将字幕文件输入内容理解模型，通过内容理解模型对字幕文件进行场景关键词和语气分析，得到场景数据；根据场景数据对目标视频流进行渲染，得到渲染视频流；并根据渲染视频流和目标音频流，生成包含场景特效的目标视频。本发明可快速得到视频的目标内容，提高语音识别的准确性和用户体验感。且考虑了关键词和语气，可使渲染更加准确的符合用户的需求。