近年来,语音合成作为人机交互至关重要的一个环节,受到了越来越多关注,韵律信息则是保证合成语音自然度和正确表意的关键因素。因此,需要对韵律边界做出正确的预测。在管道式语音合成系统中,韵律边界作为时长模块的输入以保证合成的音频具有韵律节奏。在端到端的语音合成系统中,当数据量较小的时候需要使用韵律边界作为额外的辅助信息以保证最后合成的音频具有韵律节奏。所以,提高韵律边界预测的准确率是语音合成中一个亟需解决的问题。因此,本研究以文本时域和空域信息结合为出发点,达到了提高韵律边界预测准确率的目的。随着自然语言技术的发展,BERT预训练模型也在韵律边界预测中表现出了很好的效果,但是韵律结构的基本单元是韵律词,而不是字。基于以上的观察,本研究为了捕捉到当前字与相邻字之间的影响,提出了一种基于图神经网络的韵律边界预测方法。在空域进行特征信息聚集的同时,将不同的注意力权重分配给相邻字,从而获取当前字与其相邻字之间的影响,增强字嵌入作为输入时字与字之间的联系,减少独立性。为了进一步解决,韵律词、韵律短语、语调短语三种韵律边界的预测准确率相差较大的问题,本研究进一步提出了结合了图神经网络的多任务方法,进行韵律边界的预测。通过多任务的方法建模韵律边界之间的依赖关系,将低级韵律边界预测的结果作为高级韵律边界的部分输入,以此来提高韵律结构预测的准确率。韵律词、韵律短语、语调短语的准确率从基线实验BILSTM-CRF的92%、72.446%、77.841%分别提升至93.320%、73.500%、79.720%,在规模较小的数据上也取得了明显的提升,证明了本研究提出的基于图神经网络的韵律边界预测方法可以有效地提高韵律边界预测的准确率。结合多任务的改进方法进一步地将韵律短语和语调短语的准确率分别提升至74.560%、80.231%,合成的音频在自然度的表现上有很好的提升,说明了改进方法的有效性。