语音转换是一种旨在将源说话人个性信息转换为目标说话人个性信息,同时保持源说话人语义内容不变的智能语音技术。随着深度学习与人工智能的发展,语音转换技术先后在非平行和多对多转换问题上取得了突破,如何在非平行多对多语音转换情形下进一步提高转换语音的质量和个性相似度成为该技术从实验室走向工业界的关键。鉴于此,本文以Star GAN-VC模型作为基准,针对转换语音的个性相似度和质量问题展开相关研究与改进。首先,在提高转换语音个性相似度方面,本文提出基于Style GAN-VC模型的语音转换方法。设计多层感知器和风格编码器与Star GAN-VC模型进行联合优化训练,提取说话人风格特征,弥补基准Star GAN-VC模型中说话人身份标签one-hot向量无法提供丰富的说话人个性信息的缺点。同时,采用自适应实例归一化方式将说话人风格特征与语义特征进行融合,使得生成器能够充分地学习到目标说话人个性信息,实现说话人风格转换,进而提高转换语音的个性相似度。经主客观评价分析表明,本文提出的Style GAN-VC模型较基准Star GAN-VC模型,MCD值平均降低了5.03%,MOS值平均提升了31.70%,ABX值平均提升了11.08%,验证了本文提出的Style GAN-VC模型不仅能提升转换语音的个性相似度,且对转换语音的质量也有明显的改善。进一步的,在上述模型改进的基础上,本文从提高转换语音的质量角度出发,提出基于动态卷积的Style GAN-VC模型语音转换方法。利用动态卷积机制提升生成器的生成和表达能力,而非增加网络的深度或者宽度等常规策略。动态卷积网络不同于传统的卷积网络,其具有极强的数据依赖性,可根据输入数据特征的不同,动态地调整每个卷积核的参数,并利用注意力机制赋予每个卷积核不同的权重,而后将多个不同权重的卷积核进行加权组合以获得一个动态的卷积核,再进行相应的卷积操作。因此,具有极强数据依赖性的动态卷积能够显著地提高生成器的生成和表达能力,改善转换语音的质量。经主客观评价分析表明,本文提出的基于动态卷积的Style GAN-VC模型较基准Star GAN-VC模型,MCD值平均降低了8.44%,MOS值平均提升了38.11%,ABX值平均提升了13.78%,验证了本文提出的基于动态卷积的Style GAN-VC模型不仅能显著提升转换语音的质量,且对转换语音的个性相似度也有相应的改善。