本申请提出一种语音处理方法、用于语音处理的模型训练方法、装置及电子设备，其中，语音处理方法包括：在获取目标语音后，从目标语音中提取多个音频帧，对多个音频帧中的每个音频帧采用卷积神经网络模型中的辛格函数卷积层，进行低维度特征提取，得到每个音频帧的中间特征向量后，输入卷积神经网络模型中的残差网络层，进行高维度特征提取，得到每个音频帧的特征向量，根据多个音频帧的特征向量，确定目标语音的特征向量，根据目标语音的特征向量，确定匹配的参考语音，以将参考语音所属的对象确定为目标语音的对象。由此，实现了根据识别不同用户的语音确认所属的对象，不仅可以为不同的用户提供定制化服务，还提高了身份验证的安全性。