本申请实施例提供了一种智能设备、服务器及语音交互方法，其中，智能设备包括音频输入组件和控制器，控制器被配置为：接收用户输入的唤醒指令，根据所述唤醒指令，与服务器建立websocket连接；接收所述用户输入的语音流数据，在接收到的语音流数据达到预设的分片限值时，将所述语音流数据设置为语音分片数据，设置所述语音分片数据的分片参数；封装包含所述语音分片数据和分片参数的TLV数据包；向服务器发送所述TLV数据包，以使所述服务器对所述TLV数据包进行解析，得到响应数据；根据服务器反馈的响应数据进行响应。本申请实施例提高了语音交互效率，提升了语音交互体验。