语音转换技术,是一项广义上的语音合成技术,指的是在保持语义内容不变的情况下改变语音的特性。基于深度学习的语音转换模型有两种主流的方法,第一种方法是端到端的方法,第二种方法是利用语音识别（ASR）和文本转语音（TTS）两种方法综合完成。端到端的模型的最大优点是可以直接构建源和目标声学特征的映射,不需要开发者关心具体的转换细节,但缺点也明显,需要依赖大量的训练数据,解耦也比较困难。基于ASR和TTS的方法则将语音转换设置为一套标准流程,且区分不同模块:源语音分析,特征映射和目标语音重构。这种方法存在两个比较大的缺点,一方面,语音转换比较依赖TTS模型,而TTS模型受其对齐方法的影响容易导致合成语音中出现“重复读”等语义错误;另一方面,由于不具备良好的语音增强后处理,合成语音中可能存在噪声,或者存在语义失真。本文采取的研究方法属于后者,并针对上面提及的两个大问题进行改进。通过结合ASR模型和TTS模型,本文提出了基于音素后验概率分布图（PPGs）建模的TDLSTM模型和基于非线性掩码后处理的Tacotron-NMLs模型,其中,TDLSTM和Tacotron-NMLs分别是PPG模型和TTS模型的具体实现。本文的贡献点主要有三个,其一是通过TDLSTM强大的“首包”信息利用能力和时序建模能力,从而生成时间信息更加准确的音素后验概率分布;其二是利用音素后验概率分布图提供的时间信息,辅助TTS模型更有效地寻找发音状态所应该分配的声学特征,从而在解决转换语音存在的“重复读”语义错误;其三是在语音转换中引入非线性掩码技术（NMLs）,提出TacotronNMLs模型,利用其语音增强及分离的技术,解决转换后的语音存在噪声及语义信息丢失的问题,从而增强合成语谱图中的共振峰信息,最后通过高效的神经声码器Wave RNN还原出更加自然流畅的时域单声道信号。基于提出的模型,本文构建了一种基于“TDLSTM+Tacotron-NMLs+Wave RNN”的语音转换流程,并就此开展实验。集内测试的结果表明,本文构建的语音转换流程所转换出来的语音与参考语音之间的误差最小,而集外测试的结果表明,就听众的主观听觉感受而言,本文的语音转换流程所转换得到的语音在自然度和流畅度方面更好,这均得益于音素后验概率分布图和非线性掩码在语音转换中的所带来的增益。