本发明涉及数据处理技术领域，提供端到端的语音合成方法、装置、模型训练方法、模型训练装置及存储介质，该端到端的语音合成方法包括：获取待处理文本；基于待处理文本，确定待处理文本中的韵律信息，生成待处理文本对应的带有韵律信息的文本序列，其中韵律信息用于表示待处理文本中的停顿时长；基于带有韵律信息的文本序列，生成带有韵律信息的拼音序列；将拼音序列输入端到端的语音合成模型，得到待处理文本对应的声波数据；合成声波数据，得到待处理文本对应的语音数据。该方法将带有韵律信息的拼音序列作为模型数据，将模型数据输入端到端的语音合成模型得到待处理文本对应的声波数据，使合成的语音韵律效果更好，提高了语音合成的质量。