语音转换是一种将感知到的说话人身份从源说话人转换为特定目标说话人的语音处理技术。目前,语音转换技术在很多领域都展现出了广阔的应用前景,如个性化语音合成、影视配音、语音修复等。随着深度神经网络技术的发展,基于非平行的语音转换研究愈加受到研究者们的关注,而其中的One-shot语音转换以其能够自适应任意说话人的语音信息,实现开集转换的特性,成为了近两年新的研究热点。目前,One-shot语音转换主流的方法是通过语音表示解纠缠的方法来实现任意说话人之间的转换。但相关工作中,由于在说话人信息和内容信息分离的过程中,忽略了信息之间的依赖性,使内容信息泄漏到说话人信息中,导致“信息泄露”问题,造成转换后语音音质低;同时从一个看不见的说话人的语音中提取说话人信息的稳定性不足,因此转换语音的说话人相似度也有待进一步提升。针对上述One-shot语音转换存在的问题,本文在现有的工作的基础上,提出了相关的改进算法,来缓解上述问题,从而改善转换性能。首先,为了改善转换后合成语音音质,缓解“信息泄露”问题,本文提出了融合U-Net架构和互信息的语音转换方法。在典型的语音转换模型AdaIN-VC中融入了 U-Net架构,并在训练过程中引入了互信息度量。一方面,是为了减少说话人信息和内容信息的依赖性,实现信息的适当分离,提高转换音质;另一方面,由于U-Net架构在频谱重构方面的优异性,也有助于进一步改善音质。实验表明,相较基准模型AdaIN-VC、VQVC+和AGAIN-VC,本文提出方法的转换语音在音质上有所提高。在客观评测中,平均MCD值分别降低了 3.82%、2.32%和1.10%,语谱图在纹理细节上也更接近目标说话人;而在主观评测中,平均MOS值分别提升了 6.18%、3.47%和1.38%。同时,由WER值表明,提出的方法对于缓解“信息泄露”问题是有作用的。其次,为进一步提升转换语音的说话人相似度,本文在融合U-Net架构和互信息的语音转换方法中引入了三元组损失,来优化模型编码器提取说话人信息的能力。实验表明,在引入三元组损失后生成语音的相似度得到提高。本文进一步的改进方法相较于基准模型AdaIN-VC、VQVC+和AGAIN-VC,转换后语音的平均ABX值分别提升了 9.22%、6.70%和4.83%。所以,本文提出的方法较基准模型在转换性能上有不错的提升,对于One-shot语音转换的研究也是有帮助的。