语音合成是一种将给定文本转换为语音的技术,它在手机语音助手、有声读物、歌曲合成、地图导航等领域具有广泛的应用。近年来,随着神经网络理论的快速发展,基于深度学习的语音合成方法成为当前的研究热点,并取得重要研究进展。该类方法通常采用端到端的语音合成模型,所合成的语音质量高、自然度好,但其参数较多,计算量很大,对硬件设备的存储能力和运算能力要求较高,在算力较低的设备上难以实现实时的语音合成。本文针对中文的端到端语音合成,考虑到低复杂度的需求,分别应用自回归模型和前馈模型,研究了相应的语音合成解决方案。本文的主要工作如下:（1）提出了基于深度可分离卷积（Depthwise Separable Convolution,DSC）和门控残差网络（Gated Residual Network,GRN）的自回归语音合成模型。在该方法中,使用深度可分离卷积,以有效地降低深度模型的参数量和计算量;通过门控残差网络,堆叠多层扩张系数不同的深度可分离卷积,以增加卷积感受野,使编码器和解码器能够捕捉较长时间跨度的序列上下文信息,从而提升模型拟合文本序列和频谱序列的性能;在注意力方面,使用多头注意力机制,以提升文本特征和频谱特征之间对齐的稳定性。本文还针对中文语音合成,进行了中文文本预处理,比较了不同类型的输入对于模型性能的影响。（2）针对深度可分离卷积训练困难和自回归结构推理较慢的问题,提出了基于Ghost模块和残差网络的前馈语音合成模型。该模型是带有持续时间预测器的全卷积模型,它用Ghost模块代替深度可分离卷积,通过调节模块的压缩比,就可有效降低模型的参数量和计算量;本文用持续时间预测器实现文本特征与频谱特征的对齐,有效地减少了错误发音、漏音、重复发音的现象。此外,本文还比较了不同方法提取的持续时间序列对模型性能的影响。本文用多种评价指标对上述方案进行评估。实验结果表明,与已有自回归模型相比,本文提出的自回归模型参数量少,合成速度快,且能保证合成语音的质量。本文提出的前馈模型进一步减少了参数量,合成速度大幅提高,在单核CPU上,搭配轻量级声码器,其语音合成的速度比实时播放的速度快24倍,且合成语音的质量较高,主观平均意见得分达到了3.98,仅比主流的大参数量前馈模型约低0.1;此外,该方法对于不同说话人语料的适应性较好,使用较少的数据微调模型,即可合成自然度和相似度较高的语音。