本申请公开了一种视频编辑方法、装置、设备及存储介质，所述方法包括接收用户输入的人像视频，基于人像视频确定待编辑图像帧集；响应针对待编辑图像帧集的编辑操作，对待编辑图像帧集中的第一图像帧和第二图像帧进行编辑，得到第一参考图像和第二参考图像；基于待编辑图像帧集的条件图像集、第一参考图像和第二参考图像，通过预设扩散模型确定编辑后的图像帧集，根据编辑后的图像帧集得到编辑后的人像视频。本申请通过在用户输入的人像视频中选取待编辑图像帧，并通过编辑操作来确定第一参考图像和第二参考图像，然后利用预设扩散模型中的自注意力机制来准确捕捉图像帧的人像关键点特征与参考图像的对应关系，提升了视频编辑的稳定性。