近些年来语音合成技术取得了较快发展,在单一语言上合成的语音已经具有非常高的可理解度和自然度。但是一旦提供给模型的文本包含来自非训练语言的词语,模型的性能便急剧下降,对这些词语的合成结果近似噪音。语码转换指的是在同一语篇中使用两种甚至2种以上的语言或语言变体的现象,在语音合成中实现语码转换的需求普遍存在。使用单语言模型来完成语码转换任务对训练集要求较高,然而这种带标注的多语言语料的获取存在困难,同时在完成语音克隆任务时,现有的单语言模型需要一个人说多种语言的训练数据,这种数据的获取在现实中同样存在困难。本文使用的多语言模型在Tacotron2模型基础上添加了参数生成器,修改了Tacotron2的编码器结构,添加了对抗说话人分类器,仅仅使用单语语料就可以很好地克隆一个人的声音,同时可以很好地完成语码转换任务。论文主要工作如下:（1）对音频中的静音片段进行了探索并提出了针对音频帧的拼接还原方案。在多语言实验中需要来自不同语言的语料同时参与训练,本实验使用的藏语语料是实验室在完成其它任务时录制的,这批语料在采样率、音频时长等方面与公开的语音合成语料CSS10（包含汉语、西班牙语、芬兰语、德语、匈牙利语、荷兰语、法语、希腊语、日语、俄语一共10种语言）有较大差距。首先本文对藏语语料中的语音进行了去静音处理,本文在VAD（Voice Activity Detection）的基础上对语音帧拼接逻辑进行了优化。然后对使用的全部样本（来自训练集中所有语言）的文本长度和对应音频时长做了统计,通过删除音频时长与均值相差较大的样本来剔除潜在存在问题的样本。（2）本文从实验和理论两个层面验证了在藏语中选用字母系列做为文本比选用音素系列效果好。本文在Tacotron2上通过实验证明对于藏语选用字母序列做文本,模型合成音频的质量比以音素序列做文本合成音频的质量好。（3）使用基于参数生成器的多语言模型完成了合成。本文使用的多语言模型以Tacotron2框架为基础,增加参数生成器模块使其能够完成多语言的合成。本文在编码器中使用参数生成器与局部共享的编码器,语言间的知识共享可以提升模型在目标语言上的合成效果。本文对多语言实验中的11种语言每种分别选取900个样本进行实验,然后对每种语言选取600个样本再次进行实验,实验结果表明在目标语言语料相同的情况下本文使用的多语言模型的合成效果远胜于单语言模型。（4）在多语言模型中使用基于域适应理论的对抗说话人分类器完成语音克隆与语码转换任务。在语音克隆任务中,本文在多语言模型基础上加入对抗说话人分类器,通过对抗性训练来逼迫模型学习与说话人无关的特征从而促进语言间知识的迁移,本文对数据集进行了扩充,本文在原来的数据集基础上加入了Common Voice数据集语音质量高的部分。对合成音频的评估表明本文使用的模型在这两个任务均取得了不错的效果。