随着科技的不断发展,越来越多的电子设备运用深度学习技术,使电子设备更加智能化。智能电子设备基本都添加了语音交互功能,以此解放用户的双手。但是语音交互基本通过普通话进行,对于普通话掌握不好和只会方言的用户来说不能很好的使用该功能。为了解决这一问题,一些智能电子设备增加了方言语音合成和方言语音识别等模块,但是目前其合成的方言语音不够清晰自然,不能满足用户的需求。为了提高智能设备中方言语音合成的质量,本文提出一种基于Tacotron2模型的端到端方言语音合成系统。相比较传统的语音合成模型,Tacotron2模型无需过多的人工干预,直接从文本端合成语音到输出端。本论文的主要研究内容包括以下四个方面:(1)数据收集处理:收集方言语音合成系统所需要的文本数据集、语音数据集和Mel谱数据集。首先收集方言文本,将其处理成10298个句子。然后对这些句子进行录音,使用Wave Pad工具将录音逐句切分,使得文本内容与音频内容一一对应。最后把方言文本转换成拼音注音的形式,作为文本数据集,切分的方言语音作为语音数据集。利用预测Mel谱模块将方言文本转为Mel谱,作为Mel谱数据集。(2)系统需求分析:对方言语音合成系统的系统业务进行陈述,并对功能需求和非功能需求展开分析。对系统的功能需求进行建模,通过需求分析确定该系统要实现的功能。(3)系统的设计和实现:对系统的功能模块进行设计并实现。方言语音合成系统主要包括数据处理、文本预测Mel谱和Mel谱转语音三大模块。文本预测Mel谱模块的功能是将输入的注音文本转换成Mel谱,该模块使用Tacotron2模型实现。Mel谱转语音模块是将Mel谱从频域转为时域的音频,该模块使用Wave Glow模型实现。(4)系统测试及分析:对本文方言语音合成系统进行测试,设计测试用例,对系统测试结果进行分析并得出结论。方言语音合成系统的文本转Mel谱模型经过175000步的训练,loss最终收敛于0.3495。对预测Mel谱与真实Mel谱测试结果进行分析,得出模型预测Mel谱与真实Mel谱基本一致的结论。然后对系统响应时间做测试,得出平均合成每秒音频系统的响应时间为3s。最后对合成的语音质量做评价,方言语音的MOS值3.926与原始语音MOS值4.217很接近。本论文方言语音合成系统测试结果表明当前方言语音合成系统符合设计要求,合成语音在自然度和流畅度等方面有所提升,语音合成效果已经非常接近真实人声,达到了系统预期的研究目标。