本发明公开音频文本检索模型训练方法、电子设备和存储介质，其中，一种音频文本检索模型训练方法，包括：通过音频预训练模型提取音频的音频特征，通过文字预训练模型提取句子的文字特征；分别对所述音频特征和所述文字特征进行池化转为对应的音频单向量嵌入和文字单向量嵌入；将所述音频单向量嵌入和所述文字单向量嵌入映射到同一空间；在所述同一空间内计算映射后的音频单向量嵌入和映射后的文字单向量嵌入的相似度，基于所述相似度与已知相似度的损失训练所述音频文本检索模型。