本公开提供了动画合成方法、装置、电子设备以及存储介质，涉及人工智能领域，尤其涉及自然语言处理、语音技术、计算机视觉、虚拟/增强现实技术领域。具体实现方案为：获取待处理的音频流以及音节序列，其中，音频流和音节序列对应相同的文本；以音节序列中音节的音素状态为隐马尔科夫模型的状态，以音频流对应的频谱特征流为隐马尔科夫模型的观测序列，确定频谱特征流中频谱特征帧对应的音素状态；根据音节的音素状态对应的频谱特征帧，确定音频流中音节对应的发音时间段；进而生成音频流对应的动画视频。从而能够实现音频流与音节序列的对齐，进而实现音频流与动画视频之间的同步性，避免帧间抖动问题，提高动画视频的真实性和泛化能力。