本发明实施例涉及一种音频处理方法及装置，包括：获取多个音频数据片段，其中，每个所述音频数据片段中仅包含一个说话对象的语音数据；对每个所述音频数据片段分别进行特征提取，得到每个所述音频数据片段的音频片段特征；基于多个所述音频数据片段的数量确定目标参数范围；基于所述目标参数范围和所述音频片段特征对多个所述音频数据片段进行聚类，得到多个聚类类簇；基于多个所述聚类类簇确定不同说话对象与所述音频数据片段的对应关系。由此，可以智能分析出音频中说话人(即，说话对象)与说话内容(即，音频数据片段)的对应关系，提高会议记录的效率。