本申请公开了一种视频的标注方法、装置、存储介质及设备，属于深度学习技术领域。方法包括：获取待标注的视频和用户提示词；利用OVSeg模型提取视频中的物体的特征信息、类别信息和位置信息；从视频中提取视频关键帧，利用图神经网络根据视频关键帧和各个物体的特征信息构建图结构的节点，根据视频关键帧中各个物体的类别关系、空间位置关系和时间关系构建图结构的边，根据图结构将视频划分为多个视频片段；对于每个视频片段，根据视频片段中物体的类别信息和用户提示词生成领域提示词；利用多模态模型根据用户提示词、领域提示词和对应的视频片段生成视频片段的文本描述。本申请能提高标注的质量和效率，提高标注的灵活性和适应性。