人工智能技术发展至今,人机交互方式几经迭代,从最早的键盘鼠标方式到后来的触屏手写再到现如今的智能语音交互方式,对人们使用智能科技产品和设备的友好度大大提升。语音合成技术作为智能语音交互过程中的重要一环,它的发展对提高人们体验智能设备的便捷性和舒适度有着举足轻重的作用。其中,个性化语音合成更是亟需攻克的技术难点。传统的语音合成技术采用前端-后端模型的架构,需要分别对前端和后端模型进行详细设计,其中引入了大量专家知识,即需要有一定的语言学和声学的知识背景支撑。本文采用了端到端语音合成模型作为研究个性化语音合成技术的基线模型,该模型的设计不需要拥有特定领域专家知识。本文在端到端语音合成模型的基础上,进行结合说话人迁移的语音风格迁移研究。本文使用Tacotron2特征预测模型和WaveRNN声码器,并加入了语音风格迁移模块,使用多个全局风格令牌表征语音的全局风格信息,每个令牌表征不同层面的风格信息,再通过组合不同权重占比的令牌,得到语音的全局风格信息表征,将全局风格信息送入Tacotron2特征预测模型用于预测声学特征,最后通过WaveRNN声码器合成指定风格的语音。实验结果证明语音风格迁移模型可以在指定风格参考语音的基础上合成与参考语音风格高度相似的语音。为了生成训练数据集外音色的语音,本文在语音风格迁移模型的基础上加入了文本无关说话人鉴别网络,用于提取不同发音人的音色表征,送入语音风格迁移模型用于控制合成语音的音色表示。实验结果证明在指定说话人特征参考语音和风格参考语音的基础上,结合了说话人迁移的语音风格迁移模型可以合成指定说话人音色并且与风格参考语音在风格上高相似度的语音。