随着移动互联网的高速发展以及计算机运算能力的不断提高,语音合成技术取得了一系列的突破。语音合成的应用场景也变的日趋广泛,例如Siri,小爱等手机语音助手、智能音箱等。为了满足人们多样化的需求与更好的用户体验,音色丰富,逼近真人、富有情感的语音技术成为了市场发展需要。当前语音合成多是韵律单调,很难从根据不同的输入文本合成不同的语调。在零次学习的多说话人语音合成时,也存在对未见过的说话人编码身份不准确等问题。本文围绕着这两方面主要进行了以下工作:首先,提出了 MAI（Multiple Acoustic Information）模块和 SA-M（Multiple Self-Attention）模块。前者能够在存在参考音频时从其中获取音高响度信息,后者则通过多层的自注意力模块挖掘输入文本中潜在的句法语义信息,并使用迭代聚合的方式对不同层次间的信息进行聚合。进一步,本文提出了基于Tacotron2的表达性韵律语音合成模型 MAI-SA（Multiple Acoustic Information and Self-Attention）。最后,本文通过主观与客观评测两种方式,对各模块进行了对比实验,相对于应用广泛的Tacotron2与Tacotron2-GST模型取得了更好的效果。其次,提出了 MSA-LDE（Muti-Scale Aggregation-LDE）说话人编码模块。本文借鉴了图像领域中金字塔网络的思想,将Resnet34不同阶段进行信息提取后通过LDE来捕获不同尺度地说话人信息。本文将该模块应用到MAI-SA模型中,在未见过的说话人身份特征的进行语音合成上,相对于常用的利用GE2E作为损失而训练的说话人编码器的语音合成方案取得了更好的效果。最后,本文设计了简单易用的语音合成平台,将表达性语音合成模型MAI-SA与说话人语音合成模型MSA-LDE模型应用其中,并通过实验验证了平台的可用性。