本发明实施例提供一种语音交互及语音识别方法、装置、设备和存储介质，该方法包括：基于预设语音信号分块时长，获取语音信号流中的第一语音信号分块；获取与第一语音信号分块对应的目标分组内包含的至少一个语音信号分块，目标分组内包括第一语音信号分块，一个分组内包括预设分组时长内依次产生的语音信号分块。通过语音识别模型中的编码网络对所述至少一个语音信号分块进行编码，以获得与第一语音信号分块对应的语义向量；通过语音识别模型中的解码网络对所述至少一个语音信号分块各自对应的语义向量进行解码，以输出第一语音信号分块对应的文字。通过该方案，可以实现流式语音识别的实时性和准确性。