本公开提供了一种语音对话的生成方法、装置、电子设备及存储介质，涉及计算机技术领域，尤其涉及语音技术、自然语言处理、计算机视觉等人工智能技术领域。具体实现方案为：对获取的输入语音进行语音识别，以确定输入语音对应的第一文本；对输入语音进行音频特征提取，以确定输入语音对应的第一音频特征；根据第一音频特征及第一文本，确定待生成的答复语句对应的第二文本及第二音频特征；基于第二音频特征及第二文本，生成答复语音。由此，根据输入语音对应的第一音频特征及第一文本，确定第二文本及第二音频特征，从而不仅提高了确定的第二文本的准确性，而且使生成的答复语音更加贴合输入语音对应的说话者的情绪。