本公开关于一种语音监督数据获取方法、装置、电子设备及存储介质，该方法包括：确定候选视频中的多个视频帧图像；对多个视频帧图像进行文本识别，得到每个视频帧图像对应的第一文本串；对多个视频帧图像对应的第一文本串进行处理，得到多个视频帧图像对应的候选文本，并确定与候选文本对应的起始时间点和结束时间点；从候选视频的音频文件中提取起始时间点和结束时间点之间的音频数据，得到候选文本对应的音频数据；对候选文本对应的音频数据进行语音识别，得到候选文本对应的识别文本；根据候选文本和识别文本，确定音频数据对应的目标文本，并将目标文本确定为音频数据对应的标注数据。本公开可以减少人力成本，提高标注效率。