本申请提供一种智能设备及智能语音交互方法，所述方法可以在用户输入语音控制音频后，根据语音控制音频生成反馈语句，并按照设定的情感评分机制，计算反馈语句的情感评分，从而根据情感评分确定目标情感类型，最后按照目标情感类型播放反馈语句，形成语音播报。所述方法能够通过反馈语句对场景分类、反馈语句内容以及图像识别结果等多模态信息的分类得分进行加权求和计算，获得情感得分，并最终确定目标情感类型，从而使智能设备能够以更加合理的情感类型播放语音播报音频，缓解语音播报效果差的问题。