本申请实施例公开了一种字幕信息检测方法、装置、设备以及存储介质，可适用于人工智能、云计算、计算机视觉等领域。该方法包括：确定目标视频的每个视频帧中的各文本框，并确定至少一个文本框序列；确定目标视频对应的每个音频片段对应的文本内容；基于各文本框序列以及对应的第一时间区间、各音频片段对应的第二时间区间和文本内容，确定每个文本框序列与各音频片段的匹配度；基于每个文本框序列与各音频片段的匹配度，从各文本框序列中确定出包括字幕信息的目标文本框序列；基于各目标文本框序列确定目标视频的字幕信息。采用本申请实施例，可提升确定字幕信息的准确率和效率，适用性高。