本公开涉及一种字幕生成方法、装置、计算机可读存储介质及电子设备。方法包括：获取待生成字幕的目标视频的音频数据；将音频数据进行切分，得到多个音频片段；针对各音频片段，提取音频片段对应的第一文本数据；提取第一文本数据的字符语义特征、短语语义特征及音素特征；根据字符语义特征、短语语义特征及音素特征，对第一文本数据进行修正，得到音频片段对应的第二文本数据；将每一音频片段对应的第二文本数据合并，得到目标视频的字幕信息。这样，利用第一文本数据的字符语义特征、短语语义特征及音素特征对其进行修正，可保证第一文本数据和视频字幕的准确性。另外，各音频片段可并行进行文本数据的提取以及修正操作，从而提升字幕生成效率。