本发明公开了一种模型训练以及音色转换方法、装置、设备及介质。由于通过该音色提取网络可以获取到输入的样本音频数据的第一音色特征，从而准确地获取到输入的样本音频数据的音色信息，有利于后续根据该音色特征获取合成音频数据，提高合成音频数据的音色的准确性，通过该去除音色网络，基于该第一音色特征，可以获取到该样本音频数据的第一语义特征，实现了准确地获取到样本音频数据中与发音人音色无关，且与发音内容有关的特征，从而有利于后续根据该第一语义特征获取合成音频数据，保证合成音频数据的发音内容的准确性。获取到训练完成的音色转换模型后，通过该音色转换模型进行音色转换，可以提高音色转换的转换效果以及可靠性。