语音转换技术是一种将源说话人的个性特征转换为目标说话人个性特征,同时保持语义信息不变的一种技术。根据语音转换所获取的语料不同,可以将语音转换分为平行文本条件下的语音转换和非平行文本条件下的语音转换。在目前的非平行文本条件下的语音转换存在转换后的语音质量不好和语音个性相似度不高等问题。本文的重点是通过引入说话人身份向量和对变分自编码器模型进行改进这两方面改善转换性能。首先,由于说话人标签对说话人身份信息表征不足,本文通过引入说话人身份向量用于丰富说话人身份特征信息,从而对转换后的目标说话人语音在个性相似度上进行改进。经过实验分析表明,本文提出的基于变分自编码器和说话人身份向量的模型,转换后的语音相对于基于变分自编码器和说话人标签模型的转换语音的MCD值降低了3.34%,MOS值提升了1.6%,ABX值在同性转换情形下平均提升了3.75%,在异性转换情形下平均提升了4.37%。实验结果分析表明该方案对转换后的语音个性相似度和语音质量方面都有不同程度的提高。其次,由于变分自编码器模型的隐层变量对瓶颈层信息表示不足,本文通过对变分自编码器模型进行改进,引入参数?和C得到BETA变分自编码器模型,使模型能够学习到解缠绕的隐层表示并提升隐层编码的信息容量。通过实验分析表明,本文提出的BETA变分自编码器模型相对于变分自编码器模型转换语音的MCD值平均降低了4.10%,MOS值平均提升了5.33%,ABX值在同性转换情形下提升了5.62%,在异性转换情形下平均提升了4.37%。实验结果表明该方案对转换后的语音质量和个性相似度方面都实现了有效的改善。此外,本文还将身份向量引入上述模型中,得到BETA-VAE+i-vector模型,该模型比基于VAE和说话人身份标签模型的转换语音的MCD值降低了5.5%,MOS值提升了6.23%,ABX值在同性转换情形下提升了6.87%,在异性转换情形下提升了5.62%,说明该方法在语音音质和说话人个性相似度两个方面都有较大的提升。