本申请涉及人工智能技术领域，提供了一种语音播放方法、语音播放装置、计算机设备及计算机可读存储介质。其中，一种语音播放方法，通过利用预设的韵律特征预测网络，根据文本序列的文本特征进行韵律预测，得到文本序列的韵律特征，由于韵律特征能够用于表征文本序列中单位文本内容的声学特征，因此将文本特征与韵律特征作为联合特征，输入训练后的声学模型进行上下文依赖关系挖掘，使得输出的梅尔频谱能够用于表征文本序列中单位文本内容的声学特征、上下文依赖关系以及发音时机，最后基于梅尔频谱播放与文本序列对应的语音内容，能够在文本转换为语音的场景中，提高语音质量。