本申请实施例公开了一种语音生成模型的训练方法、装置、电子设备及存储介质。该方法包括：获取基础训练样本，该基础训练样本包括多个音频信号，及每个音频信号均对应的文本数据；对第一音频信号及第一音频信号对应的文本数据进行预处理；根据处理后的音频信号及处理后的文本数据训练初始语音合成模型和初始声码器，以得到中间语音合成模型和目标声码器；根据第一音频信号、第一音频信号对应的文本数据、第二音频信号及第二音频信号对应的文本数据训练中间语音合成模型，以得到目标语音合成模型。采用本申请实施例可以得到高精度的语音生成模型。