本申请实施例提供一种歌曲音频标注与对齐模型训练方法、设备及存储介质。在本申请的一些实施例中，获取待标注歌曲，其中，待标注歌曲包括唱歌音频与歌词文本，唱歌音频包含人声和人声重叠的伴奏声；对唱歌音频中的人声和伴奏声进行分离，得到人声音频；根据每个歌词片段的开始时间戳和人声音频的能量信息，将人声音频进行句子级别的切分，得到至少一个人声音频片段，提高人声音频片段切分的合理性；将人声音频片段和对应的歌词片段输入到预设的对齐模型中，得到每个人声音频片段对应的标注结果，利用对齐模型自动对人声音频片段和对应的歌词片段进行标注，提升标注效率，降低成本。