语音作为最便捷的交流方式之一,包含丰富的语义信息、说话人个性信息和情感信息等。语音转换任务是改变语音中的说话人个性信息,目标是将源说话人语音中的个性信息转换为目标说话人个性信息,同时保持源说话人语音中的语义信息不变。跨语种语音转换作为语音转换领域的一个重要分支,在语音交互系统、国际文化交流等方面具有十分重要的应用价值。近几年,得益于深度神经网络的建模能力,跨语种语音转换领域发展迅速,各种基于深度神经网络的跨语种语音转换模型取得不错的转换效果,但大多数模型只能实现闭集情形下的转换任务。在实际应用中,跨语种语音转换模型应适用于任意说话人,因此需要实现开集情形下的转换任务,此外,算法的运行效率会影响同等性能下所需的计算资源和存储设备。鉴于此,本文针对跨语种语音转换的开集问题和算法运行效率两方面进行探讨并提出一系列改进工作。首先,为了实现开集情形下的跨语种语音转换,本文提出基于激活指导的跨语种语音转换模型。该模型采用U型连接的编码器-解码器结构,在编码器中,实例归一化和激活指导是关键环节,可以使得编码器具备提取语音中的语义信息表征和说话人个性信息表征的能力,并且不受语言种类和说话人数量的限制。其中实例归一化操作可动态提取说话人个性信息表征,并获取语义信息的初步表征,激活指导作为“软”瓶颈可提取不同语种语音的语义信息表征。在解码器中,利用自适应实例归一化来融合编码器提取的语义信息表征和说话人个性信息表征,从而得到转换语音,实现跨语种语音转换。实验仿真结果表明,转换语音的平均MOS值为3.44,平均ABX值为83.86%,说明基于激活指导的跨语种语音转换模型能够完成开集情形下的跨语种语音转换,并且转换效果良好。其次,为了提升算法的运行效率,本文在基于激活指导的跨语种语音转换模型基础上,提出基于激活指导和内卷积的跨语种语音转换模型,该模型利用内卷积轻量且高效的特点,使用内卷积部分代替标准卷积,减少原模型的参数量和计算量,以提升算法的运行效率。实验仿真结果表明,与原模型相比,该模型的参数量和计算量分别减少了37.66%和38.68%,模型的训练速度提升了24.63%,平均MOS值为3.38,平均ABX值为83.60%,验证了该优化方案能够在保证模型转换效果的前提下,大幅度地降低模型的参数量和计算量,达到提升算法运行效率的目的。综上所述,本文提出的基于激活指导和内卷积的跨语种语音转换模型,能够实现开集情形下的跨语种语音转换,取得较好的转换效果,此外,该模型还具有较高的算法运行效率,为跨语种语音转换技术走向实际应用进行了重要的理论探讨。