本公开提供了一种语音音色转换方法、模型训练方法、装置、设备和介质，涉及人工智能领域，具体为深度学习、语音合成和计算机视觉技术领域。方案为：采用语音音色转换模型中的编码分支对样本音频进行编码，得到目标声学特征；对样本音频所标注的真实文本序列进行特征提取，得到目标文本特征；根据目标声学特征和目标文本特征之间的差异对编码分支进行训练；基于与样本音频携带的标识信息对应的原始音色，采用语音音色转换模型中的解码分支对目标文本特征进行解码，得到具有原始音色的第一频谱特征；对样本音频进行频谱特征提取，得到第二频谱特征；根据第一频谱特征和第二频谱特征之间的差异对解码分支进行训练。由此，可提升语音转换的音色效果。