本发明实施例提供一种表情图片输入方法、装置、电子设备及系统，该方法包括：获取用户语音；提取用户语音的目标声学特征；根据所述目标声学特征确定第一情绪；将所述第一情绪，与根据所述用户语音的文本确定的第二情绪进行匹配；若所述第一情绪与所述第二情绪相匹配，确定所述第一情绪或所述第二情绪相对应的候选表情图片；从所述候选表情图片中，确定输入的目标表情图片。本发明实施例可基于用户语音进行表情图片的输入，用户操作极为便捷，并且将基于用户语音的目标声学特征确定的情绪，与基于用户语音的文本确定的情绪进行结合验证，可使得所确定的用户语音表达的情绪更为准确，提升输入的目标表情图片的准确性。