本发明提供一种基于音素和韵律结构的中文语音合成方法，该方法分为训练阶段和合成阶段；根据语言学知识，从待处理文本中的韵律标注信息中提取出韵律结构特征，基于韵律结构特征训练韵律模型；对待处理文本和音频进行预处理，得到包含韵律信息的拼音序列及对应的声学特征，然后训练声学模型，将训练好的韵律模型和声学模型部署到后台；根据韵律模型获得与输入文本对应的包含其韵律信息的文本；再转换为带有韵律信息的拼音序列后输入到声学模型得到其线性频谱；将线性频谱转换为音频。可以使合成的声音更加自然，特别是对于较长的分句，也能确定出停顿位置，另外在合成阶段将模型部署到后台，省去模型加载的时间，这样可以加快语音合成的速度。