本公开的实施例公开了语音生成方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：通过对原始语音进行说话人分割，确定上述原始语音中每个说话语音片段的起始时间与结束时间，得到分割后的语音；确定上述原始语音中每个说话语音片段对应的声纹特征向量；将上述原始语音中每个说话语音片段对应的文本转换为目标语言文本，得到上述原始语音中每个说话语音片段对应的目标语言文本；基于上述原始语音中每个说话语音片段的起始时间与结束时间、上述说话语音片段对应的声纹特征向量和上述说话语音片段对应的目标语言文本，生成目标语音。该实施方式实现了将第一语言的音视频自动转换为第二语言的音视频。