亞馬遜開發出有史以來最大的文本轉語音模型，展現“涌現能力”

IT之家 2 月 18 日消息，亞馬遜人工智能研究團隊宣布開發了一個據稱是史上最大的文本轉語音模型，該模型擁有最多的參數，并使用了最大的訓練數據集。研究人員已經在 arXiv 預印本服務器上發表了一篇論文，詳細描述了模型的開發和訓練過程。

近年來，像 ChatGPT 這樣的“大型語言模型”憑借其智能回答問題和生成高級文本的能力而備受關注。然而，人工智能也在逐步融入其他主流應用領域。在這個新項目中，研究人員嘗試通過增加參數數量和擴充訓練數據集來提升文本轉語音應用的能力。

據IT之家了解，這個名為“可擴展流式文本轉語音模型”（BASE TTS）的新模型擁有 9.8 億個參數，并使用 10 萬小時的錄音（來自公共網站）進行訓練，其中大部分為英語語音。研究人員還向模型提供了其他語言的單詞和短語示例，使其能夠正確發音一些常見的表達，例如“au contraire” 和 “adios, amigo”。

亞馬遜團隊還測試了使用較小數據集的模型，希望能從中發現人工智能領域所說的“涌現能力”。這種能力是指人工智能應用，無論是大型語言模型還是文本轉語音模型，突然突破到更高智能水平的現象。他們發現，對于文本轉語音應用而言，這種飛躍發生在參數量達到 1.5 億的中型數據集上。

研究人員還指出，這種飛躍涉及一系列語言屬性，例如使用復合名詞、表達情感、使用外語詞、應用語音學和標點符號以及正確強調句子中的關鍵詞等能力。

研究團隊表示，出于對潛在濫用風險的擔憂，BASE TTS 將不會向公眾開放，他們計劃將其作為學習應用，并期望將學到的知識應用于改善文本轉語音應用的整體音質。