人机交互是人工智能时代的重要组成部分。语音合成作为人机交互的关键组成部分之一,已在语音导航、电子导盲、智能语音机器人等生活领域发挥着重要的作用。目前,较为成熟且常用的语音合成技术有波形拼接语音合成技术和统计参数语音合成技术。前者采用大量的自然语言作为合成单元,合成的语音自然度较高但语音库制作周期长、人力成本高且推广性差;后者通常是基于隐马尔可夫模型,其合成的语音质量整体略低。随着深度学习的发展和不断成熟,将深度学习应用到语音合成,提高合成语音的自然度、丰富合成语音的表现力、降低语音合成技术的复杂度等是当前智能语音领域的重要研究内容。现阶段基于深度学习的语音合成技术已成为当前智能语音领域的主流,且总体研究方向为端到端的语音合成。因此,基于循环神经网络的完全端到端的中文语音合成研究具有重要意义和实用价值。论文的主要工作内容如下:(1)针对目前没有数据量较多的单人中文开源语音数据集和没有完全端到端的中文语音合成的现状,设计与实现了从数据集的创建到端到端的中文语音合成模型训练的一整套处理流程。将Tacotron模型推广到中文语音合成,研究了基于Tacotron模型的端到端的中文语音合成。其中,还设计了长时长到短时长的中文语音自动分割方法。并将其运用于数据集的创建,取得了良好的效果。(2)研究与实现了基于Tacotron模型的话者相关语音合成方法,且主要研究了三种不同的拼音形式作为文本序列来训练模型的效果。(3)对于模型合成的语音尾部有噪声或重复发音的情况,提出了一种后处理方式来进行去尾部噪声处理,并取得了良好的效果。(4)研究与实现了基于Tacotron模型的话者无关与自适应训练语音合成方法,且主要研究了三种不同的拼音形式作为文本序列来训练模型的效果。本文研究与实现的基于循环神经网络的完全端到端的中文语音合成方法极大的简化了繁琐的数据集创建过程以及人工特征工程,合成语音的自然度优于目前广泛使用的统计参数语音合成技术。