亚马逊推出 BASE TTS：参数达 9.8 亿，语音模型也开始「涌现」

听语音助手读长难句，最怕它突然在哪儿抽风——不是莫名其妙把重音读错，就是把一句悄悄话读得像新闻联播。

亚马逊 AGI 团队最近交出了一篇论文，他们造出了迄今为止体量最大的文本转语音模型 BASE TTS。更有意思的是，他们在大语言模型上见惯了的「涌现」，这次在语音模型上也看到了。

语音模型也撞上了「规模法则」

大模型圈子里有个心照不宣的现象：参数和数据堆到某个临界点之后，AI 会突然学会一些没人教过它的本事。亚马逊这帮人就想试试，这套规律放在让 AI 开口说话这件事上灵不灵。

他们一口气训了三个档位的模型做对照，最小的 1.5 亿参数配 1000 小时音频，中间的 4 亿参数配 1 万小时，最大的 BASE-large 达到了 9.8 亿参数，喂了 10 万小时公有领域的有声书和播客。

数据里九成是英语，剩下是一点德语、荷兰语和西班牙语。9.8 亿参数放在大语言模型里不起眼，但在语音合成领域已经是块头最大的了。

结果很有意思，跳跃式的能力跃升在 4 亿参数的中等模型上就冒头了。普通的说话质量评分其实只涨了一两分，但它开始能听懂人话里的潜台词了。

研究团队拿各种极难读的句子去考它，比如一口气串了五六个修饰词的复合名词、夹着法文的外来词、带「@」符号的网络短信，甚至是包含悄悄话和尖叫的情感表达。

以往像 Tortoise 或微软 VALL-E 遇到这些句子经常结巴或漏词，但 BASE TTS 几乎没被专门训练过这些，却自然地把情绪、叹词和疑问句调子读对了。

不仅如此，它还是一套流式模型。它不需要等一整句话文本都算完才发声，可以极低比特率边生成边播，还能把韵律和情绪数据单独打包成低带宽数据流传输。

藏起了模型，交出了试卷

既然效果这么好，为什么没见开源社区炸锅？因为亚马逊把权重和数据扣下了。

团队给出的理由很现实，这种自然度的模型一旦放出去，很容易被拿去做声音克隆诈骗或者伪造音频。

不过亚马逊倒没有完全藏着掖着，他们把用来衡量这种涌现能力的测试集公开了。

亚马逊 AI 代表 Leo Zao 解释说，他们并不认为涌现是自家的独门绝技。把测试集放出来，就是想看看其他同行的模型套上这套考题，能不能也测出类似的临界点。

在 Leo Zao 看来，语音合成领域的「规模法则」现在才刚拉开序幕，谁也别太早下定论。

为什么重要

对普通人和创作者来说，这篇论文意味着 AI 声音终于有望彻底甩掉机器味。尤其是在有声书朗读、无障碍辅助或者虚拟角色对话里，AI 终于懂得在提到婴儿时放轻声音，在读到惊叹时拔高语调，而不是一味平铺直叙。不过因为亚马逊没开源也没上线产品，大家现在只能去试听网站听选出来的 Demo，还没法直接用在自己的项目里。

对行业来说，它把大模型的堆参数逻辑正式引入了语音赛道。以前做 TTS 的团队大多在小模型、精细微调和后处理算法上死磕，亚马逊证明了只要把数据加到 10 万小时、参数拉高到数亿级别，模型自己就能学会复杂的语法停顿和语调处理，这会逼着其他语音厂商重新审视自己的架构。

我们认为，亚马逊这一步走得相当狡猾。他们扣下模型既规避了合规和伦理风险，又用一套公开的测试集给自己立了个基准制定者的牌坊。但隐患也在于此，语音模型的算力和数据门槛远低于文本千亿大模型，既然路线已经被证实可行，开源社区迟早会用类似规模的数据跑出复现版，这道安全防线恐怕挡不了太久。