语音合成（Text-to-Speech,TTS）是一种将输入文本转换为合成语音的技术。在人机交互场景中,语音合成作为交互链条中最后一步,具有举足轻重的地位。目前随着端到端技术的提出和日趋成熟,单语种单说话人语音合成系统,已经能够合成与人类发音具有相似自然度的语音,但是在实际应用场景中,单语单说话人语音合成系统已经无法满足人们的日常需求。比如在导航系统中出现的含有英文单词的地址,日常交流中出现的英文短语等等,因此就要求语音合成系统满足上述需求,具有合成两种语言的同时,可以适应实际场景中的个性化需求,合成不同音色语音的能力。本文针对多说话人混读语音合成,主要完成了以下工作:首先,由于双语语料库录制成本巨大且不易获取,单语语料库训练多语言合成系统易出现训练集与测试集不匹配的问题,本文构建了用于混读合成系统的低语言混合度（Language Mix Ratio,LMR）混读语料库。考虑到专业双语录音人不易得、录音成本高昂,在语料准备上,本文选择采用低LMR的文本,构建了由三个中文母语说话人录制的非平衡混读语料库,降低了成本和对录音的要求,并完成了语料库的标注。为了降低录音难度,每个语料库中仅含有15%-24%的混读句子,每个混读句子仅含有1到2个简单英文单词。其次,本文基于构建的低语言混合度混读语料库,实现了单说话人混读语音合成系统。考虑到语料库不同语种音素数量的不平衡性和保持音色一致性的要求,为了弥补不同语种之间使用相同表示形式难以共享发音特征的缺陷,本文深入研究了一种使用混合文本表示的混读输入表示形式,针对中文和英文分别使用不同的文本表示,实现了单说话人混读合成,MOS评分在4.0以上。同时本文实现了一种可以处理混读文本并输出混合表示的语音合成前端处理系统。最后,通过使用语种标记显式地引入语种信息以及语种转换点信息,并从声学特征中提取发音信息、韵律信息等,进一步提升了混读合成系统合成语音在语种转换点出的自然度。声学特征中除了发音信息等,还包含了说话人音色等丰富的个性化信息,通过提取这些个性化信息,本文实现了多说话人混读语音合成。