اختبار FastSpeech وTTS غير الانحداري

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

1. ماذا يعني "عدم الانحدار التلقائي" في سياق FastSpeech؟
   • يقوم بإنشاء جميع إطارات الطيف بالتوازي وليس بالتسلسل
   • يقوم بإنشاء إطارات صوتية واحدة تلو الأخرى بالتسلسل
   • لا يستطيع التعامل مع الجمل الطويلة
   • لا يتطلب أي بيانات التدريب
2. ما هي مشكلة نماذج الانحدار الذاتي مثل Tacotron 2 التي يعالجها FastSpeech على وجه التحديد؟
   • عدم القدرة على إنتاج أي صوت
   • بطء توليد الكلمات وتخطيها أو تكرارها من أخطاء الانتباه
   • عدم وجود دعم للنص الإنجليزي
   • تتطلب الأجهزة الكمومية
3. ما هو دور "منظم الطول" في FastSpeech؟
   • يقوم بضغط الملف الصوتي النهائي
   • يزيل الصمت من التسجيلات
   • يقوم بتكرار تمثيل كل صوت وفقًا لمدته المتوقعة لمطابقة طول الصوت
   • يقوم بترجمة الصوتيات إلى نص
4. Which additional speech variations does FastSpeech 2 condition on during training and inference?
   • Only speaker age and recording location
   • Video frames and subtitle color
   • A single fixed global loudness value
   • Pitch, energy, and duration information
5. لماذا بالكاد ينمو وقت الاستدلال في FastSpeech مع طول الجملة؟
   • يتم إنشاء جميع الإطارات بالتوازي وليس بالتسلسل
   • يتجاهل معظم نص الإدخال
   • إنه يُخرج مقاطع مدتها ثانية واحدة فقط
   • يستخدم جدول بحث للجمل المسجلة مسبقًا
6. How does the length regulator use predicted durations in FastSpeech?
   • It selects the final audio codec
   • It expands phoneme-level representations to align with the target spectrogram length
   • It estimates the speaker’s identity from video
   • It converts text into a sequence of labels for translation
7. What is one tradeoff of non-autoregressive spectrogram generation?
   • It guarantees identical prosody to an autoregressive model
   • It removes the need for a waveform vocoder
   • Parallel output can be faster, but duration and speech variation must be modeled explicitly
   • It cannot accept text as input
8. What training target does FastSpeech 2 use instead of FastSpeech’s teacher-generated simplified outputs?
   • Only predicted durations with no acoustic target
   • A translated text transcript
   • The output of a GAN discriminator only
   • Ground-truth target speech representations