语音是人类日常交流中必不可缺的信息交互方式之一,而声纹转换技术是语音算法中的一个重要研究方向。声纹转换的目标是:在保持内容不变的基础下,使一段语音经过算法处理后听起来像另外一个人说出来的。声纹转换技术被广泛应用在各种场景中,如语音交互,语音的个性化定制,娱乐行业等。近年来,随着深度学习技术的快速发展,声纹转换技术也取得了明显的进步。作为声纹转换领域的一个重要子方向,零样本声纹转换也受到广泛关注。此前,大量的研究者针对各种场景提出了相对应的声纹转换算法,但是零样本条件下的声纹转换技术仍然是一项具有挑战性的任务。近年来,零样本声纹转换技术大多是基于自动编码器框架辅以精心设计的瓶颈层实现的。然而,这类做法使其泛化性能不足,同时限制了零样本声纹转换的进一步拓展和改进。针对这些问题,本文基于生成对抗网络对零样本声纹转换算法进行研究,主要研究内容如下:（1）本文提出了一种基于生成对抗网络的零样本声纹转换框架。对未出现在数据集中的说话人,本文算法使用音色编码器从输入语音中提取音色特征,并使用内容编码器从任意其他说话人的语音中生成内容分布特征。本文算法通过声纹转换-重建循环训练来分离音色和内容信息,并学习合成新的语音。同时,本文算法通过对抗训练来提高声纹转换质量以及泛化性能。实验结果表明,在零样本声纹转换中,本文提出的算法可以实现更高质量的声纹转换。（2）在本文研究内容（1）中,语音信息被分解为音色和内容是不够准确的。从声学特征的角度,语音中的信息成分可以更完整的分解为:内容,音色,韵律和音高。因此本文在研究内容（1）的基础上提出了一种基于生成对抗网络的任意语音成分转换的零样本声纹转换框架。通过信息编码器和时序再缩放对四种语音信息进行解离和嵌入,并自定义重构。实验结果表明,在零样本声纹转换中,本文提出的算法可以实现具有更强的应用性和通用性的任意语音成分转换算法。本文在零样本声纹转换领域进行拓展和改进,提高了声纹转换技术的实际应用性。