本公开提供了一种音视频播放方法、装置、系统、电子设备及存储介质，涉及人工智能技术领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于虚拟对象、3D视觉等场景。具体实现方案为：获取待播放语音，待播放语音包括至少两个音频数据；按照音频数据的播放时间顺序，生成音频数据对应的虚拟对象的至少两个第一视频片段，每个第一视频片段对应至少一个音频数据；从未播放的第一视频片段中确定待播放的第二视频片段；在播放待播放语音的过程中，同步播放对应的第二视频片段。采用本公开可以提高虚拟对象音视频播放的稳定性。