本申请提供一种样本数据生成方法、装置、终端设备及可读存储介质，涉及音视频处理技术领域，其中，该方法包括：采集朗读者在朗读预设文本时的音频数据和视频数据，视频数据包括朗读者的人脸；对音频数据进行去噪处理，得到去噪后的音频数据；将视频数据和去噪后的音频数据作为样本数据。本申请提供的技术方案，通过采集朗读者在朗读预设文本时的音频数据和视频数据，并对音频数据进行去噪处理，得到去噪后的音频数据，最后将视频数据和去噪后的音频数据作为样本数据，从而可以简单方便地获取样本数据，避免了获取样本数据成本较高的问题，可以提高获取样本数据的便利性和灵活性，而且可以提高训练训练机器人多模态情绪分析的效率。