本申请公开了人工智能领域的一种音频数据处理方法。该方法包括：获取待处理音频数据；将待处理音频数据输入第一自动语音识别模型，当第一自动语音识别模型输出的音素概率矩阵包括非空白帧的字典概率向量和空白帧的字典概率向量时，去除在音素概率矩阵中空白帧的字典概率向量，得到有效音素概率矩阵；根据有效音素概率矩阵获取目标音素序列；将待处理音频数据输入第二自动语音识别模型；根据第二自动语音识别模型输出的参考文本序列确定参考音素序列；当目标音素序列与参考音素序列对齐时，确定待处理音频数据的标签为参考文本序列。该方法可以自动标注音频数据，并且准确性很高。本申请还提供一种能够实现上述方法的音频处理装置。