高德开源PilotTTS：轻量级语音合成新路径测评

6月3日，高德技术团队正式开源了一款名为 PilotTTS 的语音合成系统。它的目标很明确：用有限的计算资源，做出行业级的 TTS 系统——这听起来像是把“巧妇难为无米之炊”这句话反过来实践了一遍。而实际结果，也确实有些出人意料。

在方法论层面，PilotTTS 严格遵循“结构化的模块化范式”（disciplined modular recipe）。翻译乘人话：所有组件都来自公开可获取的开源项目，没有走多阶段预训练那些又贵又复杂的弯路。具体来说，它集成了 CosyVoice 3 分词器、Qwen3-0.6B 语言模型，以及基于 DiT 架构的 CFM 解码器。关键在于，它首创了基于 Q-Former 的双通路解耦条件建模机制——这项设计将说话人的身份特征与语音风格表征彻底分离开来，为后续的精细控制铺平了道路。

那么，效果如何？在仅使用约 20 万小时开源语音数据训练的条件下，PilotTTS 在主流评测集上的表现相当亮眼：中英文的说话人相似度分别达到了 0.862 和 0.815，字错误率（CER）和词错误率（WER）也逼近当前最优系统。更值得关注的是，它在情感表达、副语言特征（比如停顿、重音、语速变化）以及方言合成这些需要精细控制的任务中，稳定性与表现力都相当出色。

目前，PilotTTS 已经完整开源了全部数据预处理流程、模型权重文件以及端到端的训练/推理代码。对于学术界和工业界来说，这意味着一套高度可复现、易于扩展、鲁棒性强的基线方案——不藏着掖着，直接拿过来就能用、就能改。这种开放姿态，比堆砌一堆空洞的指标更有价值。

来源：互联网