本发明公开了一种自动语音识别技术的清洗方法、装置以及电子设备。该方法包括：将待测试视频进行切分，得到多段第一时长的目标视频段；将目标视频段通过自动语音技术识别技术得到对应的目标文本；将目标视频段和对应的目标文本发送至已训练的网络结构模型中，由网络结构模型对目标文本内的字符进行打分，得到字符的得分；当字符的得分大于或等于阈值的情况下，保留目标文本中的字符；当字符的得分小于阈值的情况下，从目标文本中删除字符。本发明解决了在多模态视频中的自动语音识别技术结果包含部分视频的背景音乐歌词和人声混合的技术问题。