本申请实施例提供一种语音识别与音视频处理方法、设备、系统及存储介质。在本申请实施例中，通过对音视频数据进行切分，为并行进行语音检测和语音识别提供基础，而且考虑到切分音视频数据可能出现不合理的情况，在语音识别之前，先对语音检测得到的语音片段进行规整化处理，之后对规整化后的语音片段进行语音识别，保证语音识别的质量；在整个过程中，并行进行语音检测和语音识别，有利于节约语音识别的耗时，提高语音识别的效率，进而提高用户体验。