本文研究了扩散语言模型在文本到语音（TTS）任务中的两类计算资源：模型深度（参数量）和推理时的细化步数（计算预算）。我们训练了 15 种不同深度（19‑133M 参数，3 个随机种子）的遮蔽扩散编解码器 TTS 模型，使用 2000 小时的语音数据，并在推理阶段对细化步数 $T$ 在 $[1,16]$ 范围内进行遍历。评估指标包括零样本合成的 ASR 词错误率（衡量可懂度）和说话人验证准确率（衡量身份保持），在 174 位未见说话人上进行测试。
结果显示，细化步数能够关闭可懂度误差范围的 86.2%，但仅能关闭身份误差范围的 46.4%，形成约 1.86 倍的非对称性，这一现象在多种误差度量下均保持稳健。进一步在相同数据上以 3 倍和 6 倍的训练调度重新训练模型，非对称性略有减小（从 1.84 降至 1.36 再到 1.23），但仍未消除，因为可懂度随步数趋于饱和，而身份仍在持续提升。
我们还引入了 Best‑of‑K 搜索策略，在细化无法恢复说话人身份时，通过对四个独立编码器的多样化采样实现 64.6%‑79.0% 的胜率。模型深度 $d$ 与细化步数 $T$ 并非可互换的资源；分离的 $B(d)B(T)$ 形式在 AICc 上显著优于替代模型（ΔAICc=+69.3），表明两者针对不同瓶颈。进一步分析发现，剩余身份缺口的 62% 来源于编解码器本身，而非生成器。
结论是，细化主要缓解可懂度瓶颈，模型深度主要提升身份保持，两者应分别优化而非相互替代。
点评：细化步数在提升语音清晰度方面效果显著，但对说话人身份的恢复有限；搜索策略可以弥补这一不足。未来工作应在编解码器设计上投入更多算力，以同步提升可懂度和身份一致性。