本发明公开音频转文本模型训练方法、系统、电子设备和存储介质，其中，一种音频转文本模型训练方法，包括：将训练音频输入至自动语音识别系统得到格子格式，其中，所述格子格式包括前向‑后向得分矩阵、边际分数、格子掩码和格子位置嵌入；将所述格子格式输入至输入数据预处理系统转换为利于LatticeBART处理的输入数据，其中，所述LatticeBART的解码器为BART解码器，所述LatticeBART的编码器能够对不同注意力头的结果拼接并映射到可学习参数矩阵得到输出；利用所述LatticeBART用端到端的方式从所述输入数据中解码得到与所述训练音频对应的文本。