Vocos

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。