品玩6月3日讯，高德技术团队正式推出开源语音合成系统PilotTTS，旨在证明通过精细数据工程与关键架构创新，可在较低资源消耗下构建具备顶尖竞争力的TTS系统。
该系统基于“ disciplined modular recipe”方法论，完全采用公开可用的开源组件构建，包括CosyVoice 3的分词器、Qwen3-0.6B语言模型及DiT架构的CFM解码器，规避了多阶段预训练等高复杂度设计。其核心创新在于提出基于Q-Former的双通路解耦条件机制，有效分离了说话人身份与风格信息。
在仅使用约20万小时开源数据训练下，PilotTTS在行业通用测试集上取得极具竞争力的成绩：中英文说话人相似度分别达到0.862与0.815，并在字/词错误率上逼近最优系统。同时，系统在情感、副语言及方言等受控生成任务中也展现出卓越的可控性与表现力。
目前，PilotTTS已全面开源其数据处理流水线、模型权重及训练推理代码，为社区提供了一个可复现、可扩展的强基线方案。
