本发明公开了一种语音信号合成方法、装置、电子设备及存储介质。该方法包括：对输入文本进行正则化处理；将输入文本输入至经过训练的多任务模型；通过声学模型，根据音素序列和韵律结构特征的拼接结果预测语音的声音成分；通过声码器基于声音成分合成语音信号。上述技术方案，通过多任务模型基于指令集将输入文本转换为对应的韵律结构特征和音素序列，最后通过声学模型和声码器将音素序列和韵律结构特征合成语音信号，避免了为每个任务单独构建多任务模型，从而降低了多任务模型的复杂度，增强了文本转音素的精度和质量，提高了语音信号合成的处理效率和准确性，有助于在多语言场景中更加准确地预测出语音信号合成中的发音信息。