精炼买可懂度，搜索买身份：掩码扩散TTS的测试时算力买到什么

面向文本到语音的扩散语言模型结合两种计算形式：模型深度（参数）与精炼步数（推理预算）。我们追问它们是否跨能力同等扩展。我们在2000小时语音上训练15个深度不同（19-133M参数，3种子）的掩码扩散编解码TTS模型，推理时扫描精炼步数T∈[1,16]，以ASR词错率（可懂度）与说话人验证（身份）在174个留出说话人上度量零样本合成。对照实测下限：精炼弥合可懂度范围的86.2%，但仅弥合身份范围的46.4%——1.86倍的不对称跨多个误差指标稳健。以3倍与6倍排程重训减弱但不逆转该差距（1.84→1.36→1.23倍），因为可懂度随步数饱和而身份持续改善。Best-of-K搜索在精炼失败处恢复说话人身份，四个独立编码器上胜率64.6-79.0%。深度与步数不可互换：可分离的B(d)B(T)显著优于替代模型（ΔAICc=+69.3）；分析显示剩余身份缺口的62%位于编解码器而非生成器。结论：精炼与深度针对不同瓶颈，应分别优化。