语音合成是一种将文本转化为语音的技术。端到端的语音合成方法是通过深度学习算法来建立文本转为语音的条件概率模型,最大化模型的生成概率实现文本到语音的特征映射。目前,大部分语音合成的模型结构都是基于网络层数较深且设计较复杂的网络来建模,为保证高质量语音合成,需要依靠大量数据集训练大规模的网络参数。因此,数据集的大小仍然是语音合成质量的一大瓶颈。为了解决少量数据集下合成音频质量不足的问题,本文将主流的语音合成模型tacotron改为文本特征与LPCC系数的转换网络,将该网络作为前端模型,与LPCNet的后端声码器结合。实验过程中两个模型分别训练,但合成过程实现端到端。本研究将结合后的整体模型作为实验的基础模型,通过说话人自适应、新增说话人和基于隐变量的说话人合成三个方向分别设计改进实验。实验结果表明,当目标数据集时长为10分钟,并且有其他说话人的音频数据时,基于隐变量的合成方法和部分参数调整的自适应方法效果最好,两者在测试集上的MOS值分别为2.88和2.87;当目标数据集时长为30分钟且无其他说话人数据集时,全参数调整的自适应方法效果最好,MOS评分达到3.06,测试集的LPCC损失可降为0.3334,如果训练集中包含有大量多说话人数据,说话人嵌入矩阵的方法也能达到类似的效果,测试集的MOS值可达到3.07,此时LPCC在测试集的损失为0.2654。