语音转换是语音合成的一个重要发展分支,其目的是对源说话人的语音进行转换,使转换后的语音像是目标说话人说出来的,也就是保留原始语音的语义信息的同时又具有目标说话人的个性特征。从训练语料的类别来讲,语音转换方法可以分为平行的语音转换方法和非平行的语音转换方法,两者的区别在于非平行的语音转换方法不需要源说话人和目标说话人的说话内容保持一致,因此非平行的语音转换方法在实际生活中更有应用价值。近年来,随着深度学习的火热发展,各种各样的神经网络模型在语音转换领域进行了成功的实践,而星型生成对抗网络——StarGAN则是热门模型之一。评价语音转换方法性能的两个重要指标是自然度和说话人相似度,本文从改善这两个指标出发,对StarGAN模型进行分析和改进工作。为了解决StarGAN模型的多层卷积神经网络提取的语义表征不充分的问题,本文提出了基于Transitive StarGAN模型的语音转换方法。改进方案使用捷径连接的思想,在生成器的编解码网络之间建立联系,这种做法充分利用多层卷积网络中的多级特征,有助于加强生成器网络的语义学习能力,使生成的频谱具有更完整更真实的基频信息和谐波信息。实验结果证明,与基准方法相比,改进方案的转换语音的语谱图保留了更多的结构信息,更加自然清晰,生成器的损失曲线具有更快的收敛速度和更低的损失值,MOS得分提升了21.62%,ABX结果提升了3.90%,证明了该方案的模型具有良好的生成质量。StarGAN模型将说话人转换的任务看作域转换的任务,而在学习多对多说话人语音转换的映射关系时,对说话人个性特征的学习还不够充分。为了解决这个问题,本文在Transitive StarGAN模型的基础上进一步改进,提出了基于Adaptive Trans-StarGAN模型的语音转换方法。改进的方案使用说话人风格网络对目标说话人的语音提取说话人嵌入,并将该嵌入作为自适应实例归一化的风格特征,对编码网络的多层特征进行风格转换,从而提高生成器对说话人个性特征的学习能力。实验结果表明,改进方案的语谱图在纹理细节上更接近目标说话人,新模型的生成器仍具有较低的损失值,并且几乎没有增加计算负担,MOS得分提升了24.66%,ABX结果提升了6.65%,证明了该方案的模型不仅提升了语音质量,还能够有效地学习说话人个性特征。