本申请公开了一种基于音频的场景识别方法、装置、设备及存储介质,属于音频处理技术领域。所述方法包括：确定音频的当前音频帧包括的第一音源和第二音源,第一音源为带谐波的音源,第二音源为不带谐波的音源。统计第一音源数量和第二音源数量,第一音源数量是指所述当前音频帧包括的第一音源的数量,第二音源数量是指所述当前音频帧包括的第二音源的数量。根据第一音源数量和第二音源数量,确定当前音频帧所对应的场景。如此,可以将当前音频帧中的多种音源进行分类,然后根据每种音源的数量确定当前音频帧所对应的场景,避免出现将包括多种音源的同一个场景识别为多个场景的情况,提高了基于音频的场景识别的准确率。