亞馬遜人工智能研究團(tuán)隊(duì)宣布開發(fā)了一個(gè)據(jù)稱是史上最大的文本轉(zhuǎn)語音模型，該模型擁有最多的參數(shù)，并使用了最大的訓(xùn)練數(shù)據(jù)集。研究人員已經(jīng)在 arXiv 預(yù)印本服務(wù)器上發(fā)表了一篇論文，詳細(xì)描述了模型的開發(fā)和訓(xùn)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(guān)注。然而，人工智能也在逐步融入其他主流應(yīng)用領(lǐng)域。在這個(gè)新項(xiàng)目中，研究人員嘗試通過增加參數(shù)數(shù)量和擴(kuò)充訓(xùn)練數(shù)據(jù)集來提升文本轉(zhuǎn)語音應(yīng)用的能力。

據(jù)了解，這個(gè)名為“可擴(kuò)展流式文本轉(zhuǎn)語音模型”（BASE TTS）的新模型擁有 9.8 億個(gè)參數(shù)，并使用 10 萬小時(shí)的錄音（來自公共網(wǎng)站）進(jìn)行訓(xùn)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(fā)音一些常見的表達(dá)，例如“au contraire” 和 “adios, amigo”。

亞馬遜團(tuán)隊(duì)還測試了使用較小數(shù)據(jù)集的模型，希望能從中發(fā)現(xiàn)人工智能領(lǐng)域所說的“涌現(xiàn)能力”。這種能力是指人工智能應(yīng)用，無論是大型語言模型還是文本轉(zhuǎn)語音模型，突然突破到更高智能水平的現(xiàn)象。他們發(fā)現(xiàn)，對于文本轉(zhuǎn)語音應(yīng)用而言，這種飛躍發(fā)生在參數(shù)量達(dá)到 1.5 億的中型數(shù)據(jù)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(fù)合名詞、表達(dá)情感、使用外語詞、應(yīng)用語音學(xué)和標(biāo)點(diǎn)符號(hào)以及正確強(qiáng)調(diào)句子中的關(guān)鍵詞等能力。

研究團(tuán)隊(duì)表示，出于對潛在濫用風(fēng)險(xiǎn)的擔(dān)憂，BASE TTS 將不會(huì)向公眾開放，他們計(jì)劃將其作為學(xué)習(xí)應(yīng)用，并期望將學(xué)到的知識(shí)應(yīng)用于改善文本轉(zhuǎn)語音應(yīng)用的整體音質(zhì)。