本申请实施例提供了一种字幕生成方法、装置及设备，将获取的语音数据转化为文本数据。将满足第一预设条件的文本数据确定为预选噪声文本数据。获取预选噪声文本数据对应的预选噪声语音数据，并确定预选噪声语音数据中的人声数据。当人声数据满足第二预设条件时，确定预选噪声语音数据为非噪声语音数据。将非噪声语音数据对应的文本数据作为字幕进行输出。如此，能够基于已经去噪处理的语音数据所生成的文本数据，进行第二次去噪处理，提高了噪声字幕的过滤能力，使得展示的字幕更加准确。