语音是一个人发声时产生的一种包含说话人个性特征、语义信息以及情感信息的信号。语音转换的含义是将源说话人的声音进行转换,使其听起来具有目标说话人的个性特征,并且转换前后具有相同的语义信息。语音转换可分为平行文本的语音转换和非平行文本的语音转换,平行文本是指源说话人和目标说话人的发音的语音时长、说话内容、情感韵律等保持一致。然而,在实际任务场景中,收集平行语音十分耗时耗力,并且在跨语种转换,医疗辅助领域根本无法获得。此外,即使收集到这样的平行数据,大多语音转换方法仍然需要对训练数据进行时间对齐,对齐过程不可避免会引入误差,并需要其他复杂的过程,如精确的语料预处理或者手动纠正来解决时间对齐错误的问题。由于平行文本语音转换技术在实际应用中的局限性,非平行语音转换技术成为当前语音转换研究的热点和难点,其中基于星型生成对抗网络的语音转换方法提供了非平行文本条件下的多对多语音转换框架,基于此框架,本文提出一种基于融合i-vector嵌入和密集连接星型生成对抗网络的语音转换方法,以此来改善语音转换的性能。首先,提出了基于融合i-vector嵌入的Star GAN语音转换方法。为了更好地提升合成语音的个性相似度,本文在星型生成对抗网络模型中融合i-vector嵌入,i-vector是说话人是被领域中常用的一种特征,能够充分地表征说话人的个性特征,从而较好地提升转换语音的个性相似度,主客观评测结果表明本文提出的方案相比于基线系统,转换后语音的平均MCD值降低了3.25%,平均MOS值提升了8.02%,平均ABX值提升了5.25%,说明本文提出的方法在提升说话人个性相似度的同时也改善了语音音质。进一步,提出了基于融合i-vector嵌入和Dense Net-Star GAN的语音转换方法。本文将密集连接网络引入星型生成对抗网络模型中来提升转换语音的音质,密集连接网络的引入可以很好地解决训练过程中网络退化问题,有利于训练过程中梯度的反向传播,以此来提升生成器编码阶段的语义信息的提取能力,进一步,本文采用高斯误差线性单元替换传统的整流线性单元作为Star GAN模型的激活函数,辅助解决深层网络在训练过程中梯度消失的问题,加快其收敛速度,从而较好地改善转换后语音的音质。最后,将上述两个改进点结合在一起,提出了基于融合i-vector嵌入和Dense Net-Star GAN的语音转换方法,主客观评测的结果表明本文提出的方案相比于基线系统,转换后语音的平均MCD值降低了7.72%,平均MOS提升了15.24%,平均ABX值提升了6.55%,说明本文提出的方案明显地改善了语音音质,同时也改善了说话人个性相似度。