本申请涉及一种语音生成方法、装置、设备和存储介质。该方法包括：基于第一用户的图像识别第一用户的状态，得到第一用户的状态特征；图像中包括用于呈现第一用户的图像内容；基于状态特征识别第一用户的情绪类型，并确定与该情绪类型匹配的应对情绪类型；获取与应对情绪类型对应的第二用户的应对声音特征及应对情绪特征；获取与状态特征匹配的应对文本内容，并提取应对文本内容的内容特征；融合内容特征、应对情绪特征及应对声音特征，得到融合特征；基于融合特征进行语音合成，生成第二用户在应对情绪类型下的、且用于表达应对文本内容的应对语音。本方案能够减少计算机资源的浪费。