本研究比较了自然语言翻译中的直接方法与传统叠加方法，发现两者性能差距消失。提出了综合层次系统以转移情感，并建立了基准测试集。研究探讨了不同发音对韵律转移的影响，提出多尺度、多模态的文本到语音系统以增强韵律表现。评估了预训练语言模型在文本转语音中的影响，发现迁移学习显著提高性能，对低资源语言模型建设具有重要意义。