本公开提供了一种模型训练方法、语音处理方法、装置、设备及介质，涉及人工智能领域，尤其涉及语音技术领域。实现方案为：确定样本语音数据中的多个语音段，其中，样本语音数据中包含至少一个发生话者变化的转换点，多个语音段中的每一者均具有对应的声学特征和内容特征，以及用于指示在该语音段中是否含有转换点的第一标签；将多个语音段中的每一者所对应的声学特征和内容特征输入预测模块，以得到多个语音段中的每一者所对应的第一预测结果；以及针对多个语音段中的任意一者，至少基于该语音段的第一标签和第一预测结果，调整语音处理模型的参数。