本研究提出了一种基于源-滤波机制的高保真端到端歌声合成系统，旨在解决音调预测错误问题。通过解耦梅尔谱特征与基频信息，并引入源激励信号，该系统在合成质量和音调准确性上有显著提升。

本文介绍了多种基于深度学习的歌声合成和转换系统，如NANSY框架、DeepSinger和WeSinger。这些系统通过自监督训练和创新模型设计，显著提升了合成歌声的质量和自然度，适用于多种语言和歌手。同时，研究探讨了在缺乏真实数据情况下的模拟训练方法，以提高音频分离技术的性能。

该文综述了歌唱声音转换与合成的研究进展，涵盖基于PPG和梅尔频谱的端到端模型、条件变分自编码器NSVB、歌手身份嵌入损失、DiffSVC扩散模型、CoMoSVC一致性模型、韩语歌声合成及WeSinger多歌手中文系统等方法，多数方法在自然度和相似度上优于基线。

本文综述基于GAN的音频合成研究：利用神经合成器实时生成任意乐器音频，并通过声谱图与GAN反演转换为波形；在频谱域建模幅度和瞬时频率可提升合成表现；WaveGAN首次实现无监督原始波形合成；HiFi-GAN实现高保真且高效的合成；SingGAN实现高保真歌声合成；CARGAN兼顾速度与质量，适合实时交互应用。