SteerTTS-edge
端侧语音合成（TTS）模型，体积约12MB，支持200音色和50种风格，通过量化感知训练将声学模型和声码器压缩至int4精度，文本前端纯numpy实现。
时间轴 (近 90 天)
SteerTTS-edge的总体积为11.84MB，包含模型权重、音色数据、文本前端以及Python运行时。
SteerTTS-edge的声学模型为925万参数的attention + 双向Mamba-3结构，经过量化感知训练（QAT）压缩至int4精度。
SteerTTS-edge的声码器为620万参数的Vocos风格模型，从charactr/vocos-mel-24khz蒸馏而来，同样采用int4 QAT。
SteerTTS-edge的文本前端为纯numpy实现，运行时不需要NLTK、g2p_en、torchaudio或num2words。
在Open TTS Leaderboard协议下本地评测（非官方提交），SteerTTS-edge的v1 fp32版本在Seed-TTS上WER为0.96%、UTMOS为4.20。
SteerTTS-edge在量化后，12项数值控制（语速、响度、音高、音高范围、句尾上扬、停顿、tilt、breathiness等）至少保留了fp32版本95%的控制效果。
SteerTTS-edge提供50种风格标签和行内标记语法，支持停顿、语速、耳语等效果直接嵌入文本流。
在2018款Threadripper CPU（负载状态）4线程下，SteerTTS-edge的RTF为0.053，约19倍实时速度，首包音频约120ms，支持句子级流式输出。
SteerTTS-edge的权重在加载时会反量化回fp32，因此int4量化的收益是体积缩小而非推理速度提升。
SteerTTS-edge仅支持英语，提供200种音色（是完整模型2825种音色的子集），不支持音色克隆、自由文本提示和流式refiner。
还有 1 条时间轴事件
全部知识事实 (11)
SteerTTS-edge的总体积为11.84MB，包含模型权重、音色数据、文本前端以及Python运行时。
50%待验证SteerTTS-edge的声学模型为925万参数的attention + 双向Mamba-3结构，经过量化感知训练（QAT）压缩至int4精度。
50%待验证SteerTTS-edge的声码器为620万参数的Vocos风格模型，从charactr/vocos-mel-24khz蒸馏而来，同样采用int4 QAT。
50%待验证SteerTTS-edge的文本前端为纯numpy实现，运行时不需要NLTK、g2p_en、torchaudio或num2words。
50%待验证在Open TTS Leaderboard协议下本地评测（非官方提交），SteerTTS-edge的v1 fp32版本在Seed-TTS上WER为0.96%、UTMOS为4.20。
50%待验证SteerTTS-edge在量化后，12项数值控制（语速、响度、音高、音高范围、句尾上扬、停顿、tilt、breathiness等）至少保留了fp32版本95%的控制效果。
50%待验证SteerTTS-edge提供50种风格标签和行内标记语法，支持停顿、语速、耳语等效果直接嵌入文本流。
50%待验证在2018款Threadripper CPU（负载状态）4线程下，SteerTTS-edge的RTF为0.053，约19倍实时速度，首包音频约120ms，支持句子级流式输出。
50%待验证SteerTTS-edge的权重在加载时会反量化回fp32，因此int4量化的收益是体积缩小而非推理速度提升。
50%待验证SteerTTS-edge仅支持英语，提供200种音色（是完整模型2825种音色的子集），不支持音色克隆、自由文本提示和流式refiner。
50%待验证SteerTTS-edge的情绪标签大多只是风格切换，fast和anger两类效果偏弱。
50%