作为人机交互的关键技术,语音合成是人工智能领域的重要研究方向之一,基于深度学习技术的语音合成方法也日益成熟,其核心是建立文本到语音的非线性关系模型,实现文本序列和语音频谱帧的特征映射关系。然而当前主流的语音合成模型面临着高质量单一音色训练数据需求较大和供给不足的矛盾以及当合成长文本时出现的重复读音、遗漏读音等鲁棒性问题。针对语音合成领域当前存在的高质量单音色语料缺乏和长文本合成鲁棒性较差的问题,本文主要进行了以下工作:（1）基于时延神经网络提取x-vectors说话人区分向量,并结合变分自编码器构建说话人表征提取网络,从目标说话人少量语料中提取说话人表征隐变量,实现少量目标说话人语料下的声学表征解耦;（2）由于主流语音合成模型Tacotron2无法基于少量语料合成目标说话人音色语音,因此将说话人表征提取网络与主流语音合成模型Tacotron2进行融合,构建能够基于少量语料进行语音合成的语音合成模型;（3）针对模型长文本合成鲁棒性问题,基于前向注意力方法,用前一时刻的语音帧的注意力分值对当前时刻语音帧的异常注意力得分进行平滑消除。同时进一步的考虑前后时刻不同语音帧影响程度的强弱,引入带约束因子的前向注意力方法对异常注意力分值进行自适应平滑。通过对模型采用标贝中文女声数据集进行训练,并对训练后的模型利用Thchs-30数据集中随机选择的目标说话人少量语料进行实验,验证了该模型能够实现基于目标说话人少量语料的语音合成。合成的语音在语音自然度和相似度MOS评分中,分别取得了3.65和3.723的分数,均接近真实语音的80%。针对模型的鲁棒性方面,选择100条文本进行验证,句错误率仅有2%,相比未采用前向注意力方法的模型,错误率降低了24%。同时在前向注意力方法中,合成语音的速率和约束因子的偏置成反比关系,证明了模型在合成语速控制方面的有效性。在语音自然度方面,分别提升了6.0%和8.5%。在语音相似度评分方面,分别提升了5.1%和7.0%,均达到了提升模型鲁棒性的目的。通过上述一系列实验验证了本文构建的基于少量语料的鲁棒性语音合成方法的有效性。