品玩2月18日讯，亚马逊人工智能研究团队日前在 arXiv 上发表论文，推出了一个据称是史上最大的文本转语音模型 BASE TTS，并详细描述了模型的开发和训练过程。该模型拥有最多的参数，并使用了最大的训练数据集。

这个名为“可扩展流式文本转语音模型”（BASE TTS）的新模型拥有 9.8 亿个参数，并使用 10 万小时的录音（来自公共网站）进行训练，其中大部分为英语语音。研究人员还向模型提供了其他语言的单词和短语示例，使其能够正确发音一些常见的表达，例如“au contraire” 和 “adios, amigo”。

亚马逊团队还测试了使用较小数据集的模型，希望能从中发现人工智能领域所说的“涌现能力”。这种能力是指人工智能应用，无论是大型语言模型还是文本转语音模型，突然突破到更高智能水平的现象。他们发现，对于文本转语音应用而言，这种飞跃发生在参数量达到 1.5 亿的中型数据集上。

研究人员还指出，这种飞跃涉及一系列语言属性，例如使用复合名词、表达情感、使用外语词、应用语音学和标点符号以及正确强调句子中的关键词等能力。

研究团队表示，出于对潜在滥用风险的担忧，BASE TTS 将不会向公众开放，他们计划将其作为学习应用，并期望将学到的知识应用于改善文本转语音应用的整体音质。