本申请涉及人工智能技术领域，公开了一种音视频摘要提取方法、装置、设备及存储介质，方法包括：获取待处理音视频，按照预设步长和预设切割长度将音频信息切割成若干个音频片段，利用预设的人声识别模型对各个音频片段进行分析，以从各个音频片段中筛选人声片段，从各个人声片段中提取第一用户音频以及第二用户音频，对第一用户音频进行关键词提取，得到第一关键词集，并对第二用户音频进行关键词提取，得到第二关键词集；根据第一关键词集以及第二关键词集从视频帧集中筛选关键视频帧，并根据各个关键视频帧生成视频摘要。