中国是一个地域辽阔、民族众多、方言种类丰富的国家,地方民族都有着各自的地方用语。目前很多少数民族方言都被列入国家濒危语言,因此我国提倡大力保护少数民族方言这一非物质文化遗产。普通话作为国家通用语言需要在少数民族之间广泛传播,但在少数民族地区非常缺乏可以教学少数民族普通话的双语教师。因此,研究少数民族方言语音合成技术不仅可以保护民族方言,还对少数民族地区的国家通用语言教育事业有着极其重要的意义。我国有很多少数民族方言没有文字表述,例如本文所研究的东乡语,它不仅是无文字表述的语言,而且也是国家濒危语种。然而现阶段的语音合成都是文本到语音的转换（Text-To-Speech,TTS）,即文本通过文本规范法、文本切分,语法分析等语言学处理,再通过声码器合成语音,这就使得无文本的东乡语语音合成变得困难。基于此,本文以东乡语作为研究对象,以汉字作为东乡语的表述方式,用汉语拼音来标注东乡音标,利用端到端的语音合成方法实现低资源的东乡语语音合成,本文的主要工作和创新如下:1.建立了一个面向东乡语语音合成的语料库。由于现有东乡语语料库数据稀少,导致训练得到的模型泛化能力较弱,影响合成语音质量。本文扩充了已有东乡语语料库,建立了一个3600句的东乡语语料库,共6个说话人,其涵盖了东乡语所有的语言特性,包括元音、辅音、词汇和语句特点等。语料录制工作在录音棚中进行,录制语音采用16k Hz采样率,16bit量化精度保存为单声道的WAV格式。论文采用汉字作为东乡语的表述方式,通过东乡语的机读音标方案（Speech Assessment Methods Phonetic Alphabet for Dong Xiang,SAMPA-DX）对东乡音标进行拼音转写。由于东乡语是低资源语音,所以本文通过手工对语料库逐句标注,提取音素时长、基频、音量,用来增强语音合成模型的泛化能力。2.提出了端到端的东乡语语音合成模型,在模型训练前,通过语音增强生成对抗网络（Speech Enhancement Generative Adversarial Network,SEGAN）将语料库中的语音进行增强预处理,以提高语料库语音质量,从而提高合成语音质量。实验结果表明,通过增强算法,原语料的PESQ得分从3.83分增加到4.06分。在模型训练中,首先运用自回归端到端模型（Tacotron2,Transformer）训练模型。但由于训练语料不足和自回归模型的缺陷,导致出现漏词跳词与合成速度慢的问题,从而影响模型泛化能力。为此,本文手工提取准确的声学特征,提出非自回归端到端模型（Fast Speech,Fast Speech2）作为改进方法。实验结果表明,Fast Speech2模型在东乡语语音合成任务的性能最优,主观评测的MOS值与DMOS值分别达到了4.3与4.1,客观评测的基频MSE、音素时长MSE以及PESQ分别为1.82、0.04以及3.81。