语音合成是一种将文本转换成语音的技术,现已被广泛的应用于语音导航、有声电子书等人机交互系统中,为人们的生活带来了极大的便捷。多元化的应用场景对合成语音的可懂度、清晰度和自然度等提出了更高的目标。在现有的语音合成算法中,传统的波形拼接自然度高,但是音库制作周期长,并且需要占据大量的存储空间;基于隐马尔可夫模型的统计参数语音合成算法灵活度高,但是建模能力有限,易造成语音细节特征的丢失;基于神经网络的语音合成算法有效的提升了模型精度,但是仍需要复杂的前端处理,且整个系统由声学特征预测模型、音素时长预测模型、声码器等多个模块组成,易造成训练误差的累积。基于序列到序列模型的语音合成系统的出现,开辟了语音合成算法的新方向。该模型消除了复杂的文本处理过程,改善了现有算法的缺陷,实现了直接从文本到声学特征的映射,成为了当今语音合成的主流算法之一。本文立足于序列到序列模型,对语音合成技术进行了深入的研究。首先,研究了当前典型的基于序列到序列模型的语音合成系统——Tacotron,将该模型应用于开源英文单说话人数据集LJSpeech中,分析出模型存在的问题,即Tacotron系统中包含大量的循环神经网络结构,严重制约了模型的运算速度,实验结果表明,模型训练约249.6h时,才会得到基本可接受的语音质量。其次,针对循环神经网络训练效率过低这一问题,研究并实现了一种基于序列到序列模型和卷积神经网络的语音合成系统。从前端模块出发,研究字符向量嵌入维度对合成语音质量的影响。针对相同字母在不同单词中发音不同网络需要提取更强的上下文信息这一问题,将前端模块中的字符嵌入改进为音素嵌入。结果表明基于音素嵌入的方式在训练速度和合成语音质量方面均优于字符嵌入,和Tacotron系统相比,基于卷积神经网络的系统只需要训练大约9h就可以获得理想的语音质量,大幅的提高了模型训练速度。然后,实现了基于序列到序列模型和卷积神经网络的中文语音合成系统,针对中文汉字不表音且存在多音字这一问题,增加预处理模块,使用拼音作为字符标注,将文字转换成拼音输入至网络进行训练。结果表明,合成语音的主观质量评价分数达到了4.15,梅尔倒谱失真率为4.528896,较好的满足了实用要求。最后,提出了基于序列到序列模型和深度可分离卷积的语音合成系统。传统的卷积神经网络同时进行了特征抽取和特征融合的工作,当网络层数过深、隐藏节点过多时,仍然存在训练速度慢的问题。针对此问题,提出了使用深度可分离卷积代替传统的一维卷积,对原始模型进行改进。结果表明,改进后的模型显著的减少了参数量,在提高了训练速度的同时不会对合成语音的质量产生影响。