本申请公开了一种音频生成方法以及相关模型的训练方法和相关装置、设备，其中，该音频生成方法包括：对目标文本进行目标口音的文本编码，得到目标口音的目标文本编码向量；对目标文本编码向量与目标音色对应的目标音色向量进行解码处理，以得到与目标音色对应的若干时刻的目标子频谱；对若干时刻的目标子频谱进行合成处理，得到目标文本对应的目标合成频谱。通过上述方式，能够利用文本实现生成指定音色和指定口音的音频。另外，还可以利用音色判别器对基于目标文本生成目标口音、目标音色的音频的频谱的转换模型进行训练，能够使得经训练的转换模型生成的合成频谱的音色与指定音色趋向一致，提高模型转换的准确性。