本申请实施例提供了一种语音分离方法，涉及电子设备领域。通过获取用户在说话过程中包含用户语音的音频信息及包含用户脸部的视频信息，并对所述音频信息进行编码得到混合声学特征，再从所述视频信息中提取所述用户的视觉语义特征，再将所述混合声学特征和所述视觉语义特征输入至预设视觉语音分离网络，得到所述用户的声学特征，最后对所述用户的声学特征进行解码，得到所述用户的语音信号。本申请实施例还提供了一种电子设备、芯片及计算机可读存储介质。本申请基于视觉语义特征对混合语音进行语音分离，可以从环境噪声干扰中准确地分离出目标说话者的语音。