本公开涉及一种音频处理方法、装置、可读介质及电子设备，包括：在预设条件被触发时，获取显示画面中所显示的目标视频画面和与目标视频画面对应的原始音频数据；提取目标视频画面中的视频特征向量；根据原始音频数据和视频特征向量，提取目标视频画面中的所有发声对象在原始音频数据中对应的目标音频数据；将目标音频数据作为目标视频画面对应的同步音频进行播放。这样，提取得到的目标音频数据会聚焦于该目标视频画面中所包括的发声对象对应的音频，无论用户如何调整该目标视频画面，都能够实现在聚焦任意位置的视频画面时，同时提取视频画面中包括的发声对象的声音，实现视频和音频的同时聚焦。