本发明涉及一种语音生成方法、装置、设备和存储介质，其中，方法包括：获取文本内容、标签信息以及权重信息；将所述文本内容、标签信息以及权重信息输入至音色克隆模型，得到符合所述标签信息且与所述文本内容对应的语音信息；其中，所述音色克隆模型在接收到所述文本内容、标签信息以及权重信息后，根据所述标签信息从存储库中找出合成音频样本，根据所述合成音频样本生成speaker嵌入，并将权值信息与所述speaker嵌入相乘，并基于相乘后的结果生成符合所述标签信息且与所述文本内容对应的语音信息。本发明能够根据用户需求生成不同音色的语音内容。