一种音频生成方法、装置、设备及存储介质

本申请提供了一种音频生成方法、装置、设备及存储介质，该音频生成方法包括：将目标文本描述信息输入预先训练好的大语言模型中，得到大语言模型输出的与目标文本描述信息匹配的目标离散音频特征；将目标离散音频特征输入预先训练好的潜在扩散模型中，得到潜在扩散模型输出的与目标离散音频特征匹配的目标音频，并确定目标音频属于与目标文本描述信息匹配的音频数据。这样，本申请通过引入离散音频特征作为文本描述信息与音频数据之间的中间特征表示，来弥合文本描述信息与音频数据之间的差距，从而有效地提高了模型输出音频与输入文本之间的匹配程度，有利于提高文本生成音频的精确度。