本发明公开了一种机器人视听协同学习新目标的语音标签自动生成方法，包括对图像进行预处理、采用对象定位模型生成对象坐标、根据概率分布距离区分新对象、语音辅助定位新目标和生成新目标标签的JSON文件等步骤，实现新目标的语音标签的自动生成。本发明使用对象定位和对象识别模型来框选定位目标学习的新对象，使得每张图片中的对象都有着同样的定位精度，避免了人工标注大量对象出现的精度问题。新目标标签的在线自动生成，使得机器人在线自主学习新目标成为可能。