语音是人们日常生活中获取信息的重要途径,使用机器模拟人类发声输出语音信息在智能设备等诸多领域有着广泛应用。在语音合成领域中,先后出现了传统的波形切分重构的拼接合成方法、修改韵律声学特征的语音合成方法和使用隐马尔可夫模型的统计参数语音合成方法。但是由于这些传统合成方法具有对数据集依赖较强、合成语音具有明显拼接痕迹、合成系统流程繁琐的特点,难以在实际中投入应用。近年来,机器学习、深度学习的相关技术蓬勃发展,深度神经网络应用于语音合成领域取得了亮眼成果。同时,如何在合成语音中嵌入情感标签,使其能够更加接近自然人发声,以及如何接收短时语音信号作为参考,从中提取说话人特征和情感参数,从而实现快速、即时的目标语音生成,均为目前语音合成领域的重点关注内容。本文在原有语音合成技术基础上,重点研究如何面向短时特定人声合成具有目标情感的语音信号。面向短时特定人声的多情感语音合成模型研究主要分为两部分:在大规模数据集上基于深度神经网络的平均音模型训练,以及在情感语音数据集上的迁移生成对抗训练。在平均音模型训练过程中,本文对传统输入文本进行音素化处理,将一部分原本需要从上下文文本中学习到的信息显式表示出来,以减少文本嵌入向量在时序上的耦合性,为模型时间性能优化提供了改进空间。在模型训练阶段,采用简单循环单元SRU替换循环神经网络RNN的单元结构,去除了模型训练在时序关系上的依赖性,因此能够在训练过程中使用并行计算的方法提升模型的训练速度。在面向短时特定人声的多情感语音合成模型中,本文采用迁移学习的思想,引入生成对抗网络训练的方法,将平均音模型迁移为情感语音GAN的生成器,同时构造基于神经网络的判别器,分别对输入的文本信息和语音信号进行编码,提取文本嵌入向量和情感风格嵌入向量,使用小批量判别方法进行生成对抗网络训练。实验结果表明,本文得到的面向短时特定人声的多情感语音合成模型能够有效构造具有目标说话人特征的情感语音信号,并在主观评价和客观评价上均具有良好表现。