1、語音合成聲碼器從基頻、頻譜等聲學特征中重構語音波形，是統(tǒng)計參數(shù)語音合成系統(tǒng)中不可或缺的一部分。近年來，隨著深度神經網絡模型在聲學建模中的成功應用，聲學模型精度與合成語音自然度均得到了有效改善。但是以STRAIGHT為代表的傳統(tǒng)源-濾波器結構聲碼器仍然存在頻譜細節(jié)丟失、相位依賴人工設計以及線性濾波框架等問題，這仍然制約著統(tǒng)計參數(shù)方法合成語音質量的進一步提升。
　　2016年，DeepMind研究者提出了直接對語音波形建模與生成的深度

2、卷積神經網絡結構，并將其用于從文本特征預測語音波形，取得了優(yōu)于傳統(tǒng)統(tǒng)計參數(shù)方法的合成語音自然度。利用卷積神經網絡對語音波形直接建模彌補了頻譜細節(jié)、相位信息丟失的缺陷，深層次的神經網絡也具有靈活的非線性處理能力，這為語音合成聲碼器的實現(xiàn)提供了新的途徑。
　　本文圍繞基于卷積神經網絡的語音合成聲碼器從三個方面展開研究工作。首先，設計實現(xiàn)了基于卷積神經網絡的話者相關語音合成聲碼器;其次，提出了神經網絡聲碼器的話者無關及自適應訓練方法，在

3、目標語音數(shù)據(jù)有限情形下實現(xiàn)高質量聲碼器的訓練;最后，設計實現(xiàn)了多分辨率層級化網絡結構，提升語音合成聲碼器的生成效率。
　　本文整體安排如下:
　　第一章是緒論，概述語音合成技術，介紹主流的波形拼接合成方法和統(tǒng)計參數(shù)合成方法，然后回顧了常用的語音合成聲碼器并分析其優(yōu)勢和不足。
　　第二章首先介紹DeepMind研究者提出的WaveNet模型，然后闡明用卷積神經網絡對語音波形建模的動機與出發(fā)點，并詳細介紹本文設計實現(xiàn)的基于

4、卷積神經網絡的語音合成聲碼器模型。該模型構造了一個上采樣網絡實現(xiàn)了聲學特征采樣率與輸出語音采樣率的匹配，然后將變換后的聲學條件信息加入網絡激活函數(shù)中指導語音的生成。
　　第三章首先回顧了說話人自適應技術歷史，介紹了語音識別與語音合成任務中的自適應方法;然后介紹了本文提出的神經網絡語音合成聲碼器的話者無關及自適應訓練方法;最后利用自然聲學特征和聲學模型預測聲學特征作為輸入重構語音，實驗驗證了自適應訓練的有效性。
　　第四章首先