本发明公开了一种基于音素的中文语音合成方法，其特征在于，包括如下步骤：步骤1，对文本与音频进行预处理；步骤2，构造音素集；步骤3，利用one‑hot将音素序列转化为字ID，训练生成转词向量，通过基于encoder‑decoder的Seq2Seq的结构生成频谱序列特征；步骤4，结合频谱序列与音频的语音信息，由声码器合成语音；步骤5，合成的音频分别去除尾部静音，按一定顺序将音频进行拼接。本方法合成的语音更加贴近于真人发音，以及在区分多音字与确定停顿位置上较传统的都有很大提升，最主要的是合成的准确率可以达到95％以上。