语音合成技术是指将计算机自己产生的、或外部输入的任意文字信息转换成标准流利的语音输出,具有着广泛的应用价值和重要的现实意义,被应用于实际生活中的各个场景。近年来,DNN在机器学习的各个研究领域取得的显著进展,证明了利用其非线性建模能力实现特征提取,能够提高算法进行分类或预测的性能。随着信息技术和人工智能技术的发展,人们对语音合成的需求日益增多,将DNN与语音合成技术相结合已成为语音合成领域的研究热点。通过搭建DNN模型,并且在大数据语音库上进行特征学习,可以大大增加语音合成的自然度,从而推动语音合成技术的发展。据大量研究表明,在现有的语音合成技术中,基于信号处理的传统语音合成技术的自然度已经无法满足人们的要求,这也是神经网络被应用在语音合成中的主要原因。同时,一般的基于DNN的语音合成技术仍然需要人工提取的特征,系统的开发和调试难度大。因此本文围绕基于DNN的端到端语音合成算法展开研究。首先,本文研究并分析了谷歌提出的Tacotron算法,验证了Tacotron算法的性能,并研究了在不同训练集下该算法的性能变化情况。选取LJSpeech语音库和Blizzard语音库作为训练集,对该算法的模型进行训练,测试所得到的MOS评分分别为3.82和3.63,收敛时间大约是200小时。接下来,本文研究并实现了基于位置敏感注意力机制的Tacotron算法,验证了基于不同的注意力机制的解码器对Tacotron算法性能的影响。选取LJSpeech语音库作为训练集,对该算法的模型进行训练,测试所得到的MOS评分为3.44。最后,本文进一步探究了新型DNN模型在语音合成中应用的可能性,设计并实现了一种利用Transformer网络从而提高训练效率的语音合成算法。首先,验证了该算法的性能,选取LJSpeech语音库作为训练集,对该算法的模型进行训练,测试所得到的MOS评分为3.76,收敛时间大约是28.4小时。同时,研究了在不同的批量大小、初始学习率和注意力头数等参数下该算法的性能变化情况。在此基础上,对该算法进行了优化,从而提高了该算法的稳定性,对优化后算法的模型进行训练,测试所得到的MOS评分是3.78。最后,将该算法与Tacotron算法进行了对比和分析,在训练时间都为30小时的前提下,基于Transformer网络的语音合成算法的MOS评分比Tacotron算法高0.23,训练速度是Tacotron算法的4.5倍。实验结果证明了在低时间成本下,基于Transformer网络的语音合成算法的自然度比Tacotron算法高,而且训练速度比Tacotron算法快得多。因此,基于Transformer网络的语音合成算法更满足实际应用需求。