本申请提供了一种基于焦点信息的语音合成方法、装置、设备和存储介质，所述方法根据文本样本以及对应的样本焦点分级标签学习文本中的焦点信息，并训练生成焦点预测模型。然后通过焦点预测模型预测用于表示待合成文本的需强调文本的目标焦点分级信息。并根据目标焦点分级信息，控制待合成文本对应的具有韵律变化的目标合成语音。由此，根据目标焦点分级信息，突出了待合成文本中需强调的焦点文本，使需强调的焦点文本与非焦点文本在目标合成语音中产生了韵律变化，提升了合成语音的韵律自然度，解决了目前合成语音的韵律自然度低下的技术问题。