本申请公开了一种差异描述语句生成方法、装置、设备及介质，涉及人工智能技术领域，该方法包括：对图像编码特征和文本编码特征进行特征拼接，将拼接后编码特征输入至基于预设自注意力机制构建的预设图文对齐单元得到拼接后对齐特征，利用基于预设自注意力机制和预设跨注意力机制构建的预设噪声监控单元分别对文本编码特征以及对拼接后对齐特征拆分后得到的图像对齐特征和文本对齐特征进行处理以提取差异信号；利用预设差异描述生成算法并基于差异信号生成差异描述语句，可见，本申请基于预设跨注意力机制对人类语言文本中与图像无法对齐的部分进行定位，并给出相应的解释描述，解决了因人类语言错误导致的计算机无法正常推理的问题。