音频生成模型的训练方法、装置及电子设备

本申请公开了一种音频生成模型的训练方法、装置及电子设备，属于人工智能技术领域。方法包括：通过神经网络模型编码样本音频得到至少两个第一样本特征，第i个第一样本特征表征按照第i个时间尺度切分样本音频后得到的各个音频段的特征信息；通过神经网络模型基于至少两个第一样本特征，生成重构音频；通过样本音频和重构音频训练神经网络模型，得到音频生成模型，音频生成模型用于基于第一音频生成第二音频。由于不同的第一样本特征反映样本音频在不同时间尺度上的信息，使得各个第一样本特征的表征能力更强，基于此，可以根据各个第一样本特征生成准确性较高的重构音频，使得基于重构音频可以训练得到准确性更高的音频生成模型。