本发明提供一种音频合成方法、装置、服务器及存储介质，获取文本的目标声学特征，将文本的目标声学特征输入音频合成模型可以得到音频合成模型根据目标声学特征合成的各个用于构成文本的音频的目标第二音频数据。本发明是以音频样本中第一采样点序列的音频数据趋近于音频样本中第二采样点序列的音频数据为训练目标生成音频合成模型，相应的，在基于音频合成模型合成本文的音频时所合成的每个目标第二音频数据是由多个采样点处的音频数据构成，本发明这种一次生成用于构成文本的音频的多个采样点处的音频数据方式可以有效提高音频合成效率。