本申请公开了多媒体内容的描述生成方法、训练方法、装置、设备及介质，属于人工智能领域。该方法包括：调用描述生成模型对多媒体内容进行多模态特征提取，得到至少两种模态特征的帧特征序列，帧特征序列包括在至少两个多媒体帧中对应的模态特征；调用描述生成模型对至少两种模态特征的帧特征序列中属于同一帧的模态特征进行融合，得到高级帧特征序列；高级帧特征序列包括在至少两个多媒体帧中对应的融合后的模态特征；调用描述生成模型对高级帧特征序列进行解码，得到多媒体内容的自然语言描述。可以解决只将模态特征进行直接级联来进行简单融合，忽略了不同模态特征之间的关联性，导致最终生成的自然语言描述忽略了部分语义信息。