本申请实施例提供一种语音交互方法、系统、装置、设备及存储介质。在该语音交互系统中，终端设备可获取用户的语音数据和面部特征数据，云端服务器可根据面部特征数据对备用语音引擎进行排序。云端服务器可在第一语言类型对应的语音识别引擎与语音数据不匹配时，从备用语音识别引擎中选择出目标语音识别引擎，并根据目标语音识别引擎对语音数据的第二语音识别结果，生成语音数据的答复信息。通过这种实施方式，当用户使用的语言类型不同时，终端设备可较为准确地对用户输入的语音数据进行语音识别，进而，可为用户提供与该语音信息较为匹配的答复。