模型架構與參數規模

SteerTTS是一個從零開始實作的新架構，總參數量為2300萬。其中聲學模型佔960萬參數，採用注意力機制結合雙向Mamba-3技術，並參考FastPitch風格設計。

語音合成部分使用Vocos作為聲碼器（vocoder）。開發者表示，尋找小型且可控制的TTS模型時發現市場空缺，特別是那些能透過大型語言模型（LLM）在對話中提供上下文控制參數的模型，因此決定自行開發。

聲音風格控制機制

該模型提供12種控制參數，每個參數均以相對於所選語音中性狀態的標準分數（z-score）表示。這些控制項包括語速、音量、中位音調、音調範圍、句尾升調或降調、停頓、頻譜傾斜以及與氣聲相關的指標。

除了數值化控制，模型還支援51種風格標籤、自由文本提示（會解析為可檢查的JSON請求），以及內嵌標記功能，例如使用星號進行強調、插入特定長度的停頓或調整局部語速。

系統內建2,825種已匿名化的內建語音，並提供實驗性的零樣本克隆（zero-shot cloning）功能，但開發者明確指出克隆的相似度較低，難以達到令人信服的逼真度。

執行效能與硬體需求

在RTX 5070顯示卡上，模型的即時因子（Real-Time Factor, RTFx）約為60至80，意味著生成速度遠快於即時播放。

若不使用可選的流匹配精煉器（flow refiner），模型可在CPU上運行，RTFx約為4至8。在CPU環境下，首次串流音頻的延遲時間約為0.5秒。

模型支援句子級別的串流輸出，適合需要低延遲互動的應用場景。

品質評估與已知限制

根據開發者在Open TTS Leaderboard英語測試集上的本地運行結果，平均詞錯誤率（WER）約為1.8%。需注意這並非官方提交的成績，開發者已聯繫相關單位進行正式評估。

開發者坦承部分控制功能效果不佳：音量、音調和頻譜傾斜的控制較為可靠，但停頓、濁音化（voicing）和CPPS（諧噪比指標）的控制較弱。

情緒標籤僅作為風格切換使用，獨立的分類器大多無法區分這些情緒標籤。自由文本提示在處理否定語句時表現不佳，例如輸入「不快」（not fast）可能會生成快速的語音，這表明從提示到控制參數的模組化轉換仍需更多數據訓練。

目前僅支援英語，且尚未進行人類主觀評估（human evals）。

授權與資源獲取

模型權重採用CC BY-NC 4.0授權條款，僅允許非商業用途使用。程式碼則以MIT授權發布。

完整的模型檔案與評估表格已發布於Hugging Face平台（WhissleAI/steer-tts）。開發者歡迎社群回饋，特別是關於哪些控制參數實際有用，以及風格控制出現偏差的具體情境。