本发明提供了一种音频合成方法及装置，其中，该方法包括：获取待合成音频的文本信息；将所述文本信息转换成音素信息序列；预测所述音素信息序列中每一音素的发音持续时间和基频；根据预测的所述发音持续时间与所述基频对所述音素信息序列进行音频合成。通过本发明，可以解决相关技术中经过多次合成优化语音效果不佳，听起来感觉不自然的问题，通过预测音素的持续发音数据和基频，根据才的结果合成语音，使得合成的语音更自然。