AWS 发布 TTS 自动扩缩容参数测量教程

AWS Machine Learning Blog 发布教程，演示如何为 Amazon SageMaker AI 上的 TTS 模型自动扩缩容配置提供实测依据：将 8200 万参数的 Kokoro-82M 以自定义容器部署在实时端点上，实测单实例在 SLO 内可承受的最高并发 Q_max 和一次完整扩容耗时 T_total，再据此算术推导扩容阈值、缩容阈值和两个冷却时间，替代凭猜测设定目标。 教程给出两项前置条件：运行扩容测量前，ml.g5.xlarge 服务配额需在基线之上至少留一个空位；示例容器固定了较早版本的 PyTorch，存在已知漏洞 PYSEC-2026-2286（在 torch 2.10.0 中修复），非概念验证用途需先审查并升级。 教程称，可先用 dry-run 查看测量排期与耗时估算，且不产生 AWS 调用，以便预估一次实测约 36 分钟的成本；文中算例可用两份已提交的测量文件重跑复现，不产生 AWS 调用和新增费用。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。