本发明公开了一种基于transformer框架的多通道声纹识别方法及装置、设备，该方法包括：将待识别的音频信息进行声源分解，再通过短时傅里叶变换得到三通道频谱图Ⅰ；对同一组三通道频谱图Ⅰ分别同时进行转置、填补或截断，得到两组三通道频谱图Ⅱ；将两组三通道频谱图Ⅱ输入至改进的LeViT神经网络模型中，并利用改进的LeViT神经网络模型对音频信息的声纹进行识别处理输出音频信息的声纹识别信息，声纹识别信息至少包括音频信息对应的说话者。通过本发明提供的方法，通过对音频信息进行处理，得到了多个通道的音频信号，从而起到识别音频的准确率更高的作用；且通过改进的LeViT神经网络模型可更准确的识别音频信号，增加了模型的复杂度，使得准确率有大幅度的提升。