本发明实施例提供了一种语音合成方法、装置、系统和存储介质，所述方法包括：将待合成文本转换为包含多个音子元素的输入序列；将所述输入序列输入基于注意力机制的序列到序列神经网络模型，以获取所述输入序列和声学特征序列之间相关度矩阵，并输出包含语音帧集的声学特征序列，其中，所述相关度矩阵中的每个元素表示对应音子元素在对应语音帧集中所占的权重值；基于所述权重值确定每个音子元素在每个语音帧集中所占的发音时长；根据每个音子元素在每个语音帧集中所占的发音时长确定每个音子元素在所述声学特征序列中所占的发音总时长。上述技术方案不仅获得了自然流畅的语音，而且提供了音子元素发音时长的信息，有效提高了用户体验。