本公开涉及一种音频生成方法、装置、存储介质及电子设备。该音频生成方法包括：获取目标用户的音色特征信息；将所述音色特征信息与待合成文本输入语音合成模型，得到与所述待合成文本对应的音频；其中，所述音色特征信息是通过将所述目标用户的语音输入音色编码器得到的，所述音色编码器是通过与文本编码器进行端到端的联合训练后得到的。采用本公开的这种方法，可以实现根据任意文本生成准确地且自然的以目标用户的声音念读该任意文本的音频。