歌声合成是语音合成的衍生技术,通过提取乐谱中的信息来合成电子歌声,是计算机技术在音乐领域中的经典应用。从早期的样本拼接方法、参数式模型到当前的神经网络模型,歌声合成系统的性能已经达到了人们能够接受的水平。目前相关的研究工作都是基于串联式的模型结构,用乐谱信息中的歌词、音高和节拍等信息训练多个模型协同工作。在构建歌声合成系统过程中,通常需要多个领域的专业人员协同工作,模型训练难度大,工程时间长,并且串联模型容易出现误差累积,最终合成效果不稳定。受到语音合成技术研究的启发,本研究基于深度学习方法提出一种完全端到端的歌声合成前端模型Transinger,它用于简化模型的构建和训练过程;在此基础上,根据前端模型和歌声数据的特点,本研究对现有的神经网络声码器模型进行研究和改进,分析声学特征和歌声数据的特点,对比前端模型和声码器在歌声合成任务中的效果,最终提出一套端到端的歌声合成方法。实验结果证明本研究提出的方法可以合成高质量且自然的歌声,并且证明音高条件控制方法可以加强声码器模型的鲁棒性和收敛速度。此外,本研究也对多歌手的歌声合成任务进行尝试,发现Transinger模型在添加歌手身份信息的条件下,可以同时合成出多位歌手的歌声。