SteerTTS: легкая модель синтеза речи на 23 млн параметров с управлением через числа

Разработана легковесная модель TTS с акустической моделью на базе Mamba-3 и вокодером Vocos, позволяющая точно настраивать темп, громкость, высоту тона и другие параметры через z-оценки. Модель работает в реальном времени на CPU, поддерживает потоковую передачу и 51 тег стиля, хотя качество клонирования голоса и обработка отрицаний в текстовых промптах остаются слабыми сторонами.