在语音合成技术日趋成熟的今天,人们对合成语音的要求不再停留于自然可懂的层面,而是希望语音合成系统可以更加多样化和个性化,即可以根据人们的需求,个性化地定制特定说话人的声音,此类技术也称之为语音克隆。但在实际的系统搭建过程中,个性化中文语音合成系统往往会受限于各种小样本数据问题,而无法保证合成系统的泛化性和准确性。首先,在语音克隆过程中,需要定制的目标说话人的语音数据往往十分稀少,因而无法使用大规模的数据驱动方法对目标说话人的音色进行建模,而现有的基于小样本的语音克隆方法存在训练步骤繁琐、模型泛化性不足等问题。此外,对于个性化中文语音合成系统而言,前端多音字消歧模块也饱受数据问题的困扰。现有的多音字消歧模型往往需要海量的多音字标注文本,但此类数据通常需要人工标注,收集代价十分昂贵,而仅存的开源数据集存在数据量少、数据质量差等问题,难以保证多音字消歧的质量,从而导致合成语音出现字音错误。针对以上问题,本文进行了如下工作。（1）提出了基于音素级别说话人特征的小样本语音克隆方法。该方法提取和利用少量目标说话人语音中的细颗粒说话人特征,并引入注意力机制对各音素间的说话人特征进行迁移,辅以说话人随机样本的训练策略,从而提高对目标说话人的语音的利用效率,在小样本场景下实现高质量的语音克隆。（2）提出了基于元学习的多音字消歧方法。该方法不再将多音字消歧任务作为机器学习中的分类任务进行处理,而是通过特征对比的模式,将多音字中不同读音的语义特征进行对比和区分,以确定多音字的读音。最后的实验结果表明,本文提出的小样本语音克隆方法,相比现有方案更具泛化性,可以根据少量目标说话人语音数据克隆出兼具自然度、音色还原度的语音。同时,本文提出的多音字消歧方法在低质量的训练数据集上仍然表现出了优秀的消歧性能,相比现有方案展现了充足的泛化性能,并且对于训练数据集中未曾出现过的多音字也有一定效果。