本申请提供了一种时延估计方法、装置、终端设备和计算机可读存储介质；方法包括获取麦克风采集的近端音频数据和缓存的远端音频数据并分别对其进行预处理生成对应的近端频域信号和远端频域信号；分别计算当前帧近端频域信号的平滑功率谱、各帧远端频域信号的平滑功率谱以及当前帧近端频域信号与各帧远端频域信号的互功率谱，及两者的相似系数；选择最大的相似系数对应的时延瞬时值记为当前帧近端频域信号的初始时延估计值；根据缓存的历史时延瞬时值来对初始时延估计值进行评估判断，并根据评估判断结果得到更新时延估计值；根据更新时延估计值、记录的远端音频数据与近端音频数据的帧数差值确定最终时延估计值。该方法的时延估计值更加精准。