本申请公开了一种多媒体数据处理方法、装置以及可读存储介质，该方法包括：在获取到多媒体文件中的原始音频数据时，获取原始音频数据相关联的目标音频识别模型；将原始音频数据输入至目标声乐分离模型，由目标声乐分离模型对原始音频数据进行声乐分离，得到与第一对象相关联的第一类音轨以及与第二对象相关联的第二类音轨；从第一类音轨中获取第一对象的语音数据，将第一对象的语音数据输入至目标语音识别模型，由目标语音识别模型对第一对象的语音数据进行文本识别，得到第一对象的文本识别结果；基于文本识别结果确定原始音频数据的音频类型，对第二类音轨中与第二对象相关联的音频数据进行存储。采用本申请，可以提升音频数据识别的准确性。