本申请公开了一种音乐生成模型的训练数据生成方法、装置、设备及介质，获取第一样本音乐的第一音频数据和预先设定的生成指令信息，通过音乐理解模型对第一音频数据进行分析处理，得到表征第一音频数据在至少两个不同维度上的预测类别信息的第一预测结果，然后将第一预测结果和生成指令信息输入到目标语言模型中，通过目标语言模型来生成第一音频数据对应的第一描述信息，通过第一音频数据和第一描述信息作为训练数据集训练音乐生成模型。本申请能够高效、低成本地构造用于训练音乐生成模型的训练数据，便于训练得到准确度较高的音乐生成模型，有利于提高目标对象的音乐聆听体验。本申请的技术方案可广泛应用于音频处理技术领域。