6月3日，高德技术团队正式对外发布开源语音合成系统pilottts，旨在验证：通过严谨的数据工程实践与关键性架构突破，完全可以在资源受限条件下打造出具备行业领先水平的tts系统。
该系统严格遵循“disciplined modular recipe”（结构化模块化范式）方法论，全部依赖公开可获取的开源组件构建，涵盖CosyVoice 3分词器、Qwen3-0.6B语言模型以及基于DiT架构的CFM解码器，彻底摒弃了多阶段预训练等高成本、高复杂度的设计路径。其核心突破在于首创基于Q-Former的双通路解耦条件建模机制，实现了说话人身份特征与语音风格表征的高效分离。
在仅使用约20万小时开源语音数据完成训练的前提下，PilotTTS在主流通用评测集上展现出强劲性能：中英文说话人相似度分别达0.862与0.815，在字错误率（CER）与词错误率（WER）指标上亦逼近当前最优系统。此外，系统在情感表达、副语言特征（如停顿、重音、语速变化）及方言合成等精细化可控生成任务中，均表现出优异的稳定性与表现力。
目前，PilotTTS已完整开源全部数据预处理流程、模型权重文件及端到端训练/推理代码，为学术界与工业界提供了一个高度可复现、易扩展、强鲁棒性的高质量基线方案。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
