本说明书实施例提供一种训练评估模型、评估视频质量的方法及装置，在训练评估模型的方法中，获取样本集，其中包括，音画同步的第一视频样本。对第一视频样本进行音画分离，得到样本图像帧序列和对应的样本音频帧序列，并将其输入评估模型进行模型处理，该评估模型包括第一编码器和第二编码器。上述模型处理包括，利用第一编码器，对各样本图像帧进行编码，得到各样本图像表征，以及利用第二编码器，对各样本音频帧进行编码，得到各样本音频表征。以最小化第一损失为目标，调整第一编码器和第二编码器的参数，该第一损失正相关于，各样本图像表征与对应样本音频表征的不同模态间距离，以及各样本图像表征中相邻样本图像表征的同模态间距离。