本发明实施例提供一种语音交互及语音识别方法、装置、设备和存储介质，该方法包括：通过流式语音识别模型中的第一编码网络对当前产生的语音信号分块的声学特征进行编码，以依次得到多个语音信号分块各自对应的第一语义向量；通过流式语音识别模型中的第一解码网络对当前产生的语音信号分块所对应的第一语义向量进行解码，以依次输出多个语音信号分块对应的第一文字。将多个语音信号分块各自对应的声学特征和第一语义向量的拼接结果输入离线语音识别模型，以通过离线语音识别模型输出与多个语音信号分块对应的第二文字，以该第二文字更新流式语音识别模型输出的与述多个语音信号分块对应的第一文字，以保证流式语音识别的实时性和识别准确率。