本发明公开了一种合成语音与文本对齐的方法、装置及计算机储存介质，其中方法包括：在待合成文本的每个字后面加入位置标签；对带位置标签的文本进行文本预处理及音素转换得到音素序列；将音素序列输入语音合成模型，预测音素的时长信息和声学特征；将声学特征通过声码器转换为合成语音；累加位于每个位置标签前面音素的时长信息，得到每个位置标签在合成语音中的时间信息。本发明通过在待合成文本中加入位置标签，在文本处理中保持位置标签的相对位置，利用语音合成模型的中间输出结果以极小的成本，实现了合成音频与待合成文本之间的字符级别的对齐。