SteerTTS
一种参数量仅23M的轻量级可控TTS模型，采用显式方差建模与混合注意力-双向Mamba-3序列建模架构，支持细粒度韵律（时长、音高、能量等）控制，可结合分类器引导和流匹配精炼器提升合成质量。
时间轴 (近 90 天)
SteerTTS是一个仅23M参数（含冻结的Vocos声码器）的TTS模型项目，由Reddit用户发布。
SteerTTS采用FastPitch风格的显式方差建模，音素先经过编码器，由时长、音高、能量三个预测器分别输出控制量，再通过长度调节器对齐，最终解码为100频带log-mel谱，交由冻结的Vocos声码器合成波形。
SteerTTS的每个编码器和解码器块依次包含多头自注意力、双向Mamba-3分支和卷积FFN，其中Mamba-3分支由前向与后向层求和构成，使用复数值状态和梯形离散化。
SteerTTS将所有LayerNorm替换为自适应版本（AdaLN），并通过掩码机制区分'未指定'与'显式设为零'：控制项省略时模型从音色、标签和文本中推断合理值，传入{"rate": 0}则明确要求该音色的中性语速。
SteerTTS在推理时采用类似分类器引导的策略，分别渲染有条件版本和无条件版本，然后对时长、音高、能量和mel谱做外推，从而在不重新训练的情况下放大控制信号。
SteerTTS的可选流匹配精炼器使用ConvNeXt backbone，10个中点步，用于提升mel细节，代价是约12倍计算量。
SteerTTS的Voicebox风格提示变体支持声音克隆。
SteerTTS模型总参数为9.6M声学部分加13.5M Vocos声码器，精炼器额外增加17.6M。
在held-out LibriTTS-R说话人上以±2标准差请求评测，SteerTTS对响度、中位音高、H1–H2和频谱倾斜的Spearman相关系数在0.87–0.97之间；但停顿、发声比例和CPPS的ρ仅0.46–0.79，且CPPS会泄漏到音高和电平上。
SteerTTS在引导强度s=1时平均增益约0.5，s≈1.5时大致能兑现请求幅度，但交叉干扰随之增加；所有请求下WER稳定在约1%。
还有 5 条时间轴事件
全部知识事实 (15)
SteerTTS是一个仅23M参数（含冻结的Vocos声码器）的TTS模型项目，由Reddit用户发布。
50%待验证SteerTTS采用FastPitch风格的显式方差建模，音素先经过编码器，由时长、音高、能量三个预测器分别输出控制量，再通过长度调节器对齐，最终解码为100频带log-mel谱，交由冻结的Vocos声码器合成波形。
50%待验证SteerTTS的每个编码器和解码器块依次包含多头自注意力、双向Mamba-3分支和卷积FFN，其中Mamba-3分支由前向与后向层求和构成，使用复数值状态和梯形离散化。
50%待验证SteerTTS将所有LayerNorm替换为自适应版本（AdaLN），并通过掩码机制区分'未指定'与'显式设为零'：控制项省略时模型从音色、标签和文本中推断合理值，传入{"rate": 0}则明确要求该音色的中性语速。
50%待验证SteerTTS在推理时采用类似分类器引导的策略，分别渲染有条件版本和无条件版本，然后对时长、音高、能量和mel谱做外推，从而在不重新训练的情况下放大控制信号。
50%待验证SteerTTS的可选流匹配精炼器使用ConvNeXt backbone，10个中点步，用于提升mel细节，代价是约12倍计算量。
50%待验证SteerTTS的Voicebox风格提示变体支持声音克隆。
50%待验证SteerTTS模型总参数为9.6M声学部分加13.5M Vocos声码器，精炼器额外增加17.6M。
50%待验证在held-out LibriTTS-R说话人上以±2标准差请求评测，SteerTTS对响度、中位音高、H1–H2和频谱倾斜的Spearman相关系数在0.87–0.97之间；但停顿、发声比例和CPPS的ρ仅0.46–0.79，且CPPS会泄漏到音高和电平上。
50%待验证SteerTTS在引导强度s=1时平均增益约0.5，s≈1.5时大致能兑现请求幅度，但交叉干扰随之增加；所有请求下WER稳定在约1%。
50%待验证SteerTTS在RTX 5070上RTFx为60–80，CPU无精炼器时为4–8。
50%待验证SteerTTS模型仅支持英语，单训练种子，尚未进行人工评测。
50%待验证SteerTTS权重采用CC BY-NC 4.0许可，代码采用MIT许可。
50%待验证作者尚未做干净的消融实验来比较双向Mamba与纯注意力在小规模非自回归TTS中的效果。
50%待验证SteerTTS项目已开源模型权重和评测表，地址为 huggingface.co/WhissleAI/steer-tts。
50%