语音合成（Text to Speech,TTS）是指从文本到音频的生成,具有非常广泛的应用场景。近年来,人机交互需求的增长对合成语音的质量也提出了更高的要求。随着神经网络的发展,语音合成从传统的统计参数估计逐渐转变为基于深度学习的序列建模方法。合成过程通常包括使用声学模型从文本前端得到声学特征,然后使用声码器从声学特征生成波形。在声学模型的研究中,时长建模是一个非常关键的问题,它很大程度上影响了合成语音的发音正确性和自然度。目前语音合成领域缺乏对时长建模问题的综述研究,并且已有方法的序列对齐性能有待提高。因此,本文提出对声学模型中时长建模进行深入研究,并提出了基于不同粒度注意力机制的优化对齐算法。同时,已有的声学模型生成的频谱往往与真实频谱还存在时长和细节上的差距,因此本文提出基于概率扩散模型的声学模型后处理算法。总体上,本文主要的工作与创新点如下:1.提出一个对声学模型时长建模的研究体系,详细分为时长的提取、预测和使用三个方面。首先,本文分析并对比了对文本与音频对齐获取的已有方法,从时长的数值精度和合成语音的自然度两方面进行评估。其次,对比了已有的和新提出的时长预测方法,对不同结构下的时长预测精度和合成语音自然度进行分析。最后,根据已获得的时长信息,探究了基于简单平铺和高斯上采样两种方式,分别对生成频谱和波形序列的影响。2.提出一个基于不同粒度注意力的优化对齐算法（Varigrained Attention,VGA）。考虑到时长建模需要兼顾稳定性和灵活性,本文将时长预测和注意力机制结合,设计了在不同粒度上通过注意力方式实现自动对齐的计算方法。经验证,该方法在不同解码器上都可以实现文本到音频的对齐优化,并在对比自然度评价中取得显著增益。3.提出一个基于概率扩散模型的声学模型后处理算法（Diffusion Post-Filter,DPF）。为了解决声学模型合成频谱过平滑的问题,本文设计了使用概率扩散模型的方法,通过对扩散空间和噪声估计网络的设计,实现了对频谱的细节优化。最后,本文还提出将VGA和DPF结合,从而同时优化频谱细节和内部对齐,实现了对声学模型合成质量的进一步提升。