本申请实施例提供了一种语音合成方法、装置、电子设备及计算机可读存储介质，涉及人工智能、多媒体、语音合成及云技术领域。该方法包括：对待处理视频中各目标对象对应的唇部图像序列分别进行特征提取，得到个目标对象的唇语特征；对于每个目标对象，基于该目标对象的唇语特征，通过第一语音内容预测网络预测该目标对象的语音内容特征；提取每个目标对象的参考语音数据的音色特征；对于每个目标对象，根据该目标对象的语音内容特征和音色特征，通过音频特征预测网络预测得到该目标对象的音频特征，根据该目标对象的音频特征，得到该目标对象对应于待处理视频的目标语音数据。基于本申请实施例提供的该方法，能够基于视频生成高质量的语音数据。