اختبار مرتبط بالدليل · صعب المستوى
اختبار NaturalSpeech والانتشار الكامن TTS
يغطي الانتشار الكامن لبرنامج الترميز، والمطالبة بالكلام بدون لقطة، وسمات الكلام المقسمة، ونطاق النتائج المعيارية المبلغ عنها.
سؤال 1 من 8
What did the original NaturalSpeech paper report for its LJSpeech evaluation?
معاينة كل سؤال8 أسئلة
تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.
- What did the original NaturalSpeech paper report for its LJSpeech evaluation?
- Human-level quality under the paper’s stated evaluation protocol
- Human-level quality on every language and speaker
- Perfect equality to every human recording
- A universal guarantee of naturalness
- ما الذي يولده نموذج الانتشار الكامن لـ NaturalSpeech 2 بالفعل؟
- الأشكال الموجية الصوتية الخام مباشرة
- المتجهات الكامنة المستمرة من برنامج ترميز الصوت العصبي
- النصوص الصوتية المطبوعة
- صور الطيفية صورة للعرض البشري
- كيف يقوم نموذج الانتشار بتوليد البيانات على مستوى عال؟
- يقوم بحفظ وإعادة تشغيل مقاطع التدريب
- يقوم بفرز العينات أبجديًا
- ويتعلم عكس عملية التشويش خطوة بخطوة، مما يؤدي إلى تقليل التشويش العشوائي للبيانات
- ويتنبأ فقط بالكلمة التالية من النص
- ما هي القدرة الأساسية التي يوفرها الانتشار الكامن لـ NaturalSpeech 2؟
- ترجمة الكلام إلى صور
- إزالة الحاجة إلى أي إدخال النص
- توليد صوت ثابت واحد فقط
- استنساخ صوت بدون طلقة من موجه مرجعي قصير
- ما هي الفكرة المركزية لـ "الانتشار المعامل" لـ NaturalSpeech 3؟
- فصل الكلام إلى سمات مفككة مثل المحتوى، والعروض، والجرس، على غرار مستقل
- توليد الكلام بسرعة مضاعفة عن طريق تخطي النص
- ضغط الصوت في عدد صحيح واحد
- استخدام معالجة الإشارات المستندة إلى القواعد فقط
- لماذا يزيد نشر تحويل النص إلى كلام (TTS) عالي الدقة من الحاجة إلى ضمانات مثل العلامة المائية؟
- لأنه يجعل الملفات الصوتية كبيرة جدًا بحيث لا يمكن تخزينها
- لأن الاستنساخ الصوتي الواقعي بدون إطلاقة يثير مخاطر واضحة لإساءة الاستخدام وانتحال الشخصية
- لأنه يعمل بلغة واحدة فقط
- لأن نماذج الانتشار لا يمكن تدريبها على الإطلاق
- After NaturalSpeech 2 diffusion generates codec latents, what converts them into speech?
- A text tokenizer turns them into phonemes
- A speaker diarization model turns them into subtitles
- A neural audio-codec decoder turns the generated latents into waveform audio
- A spectrogram classifier selects a genre
- What can NaturalSpeech 3’s factorized speech representation make easier?
- Replacing the need for any audio decoder
- Guaranteeing every cloned voice has consent
- Converting speech into text without an acoustic model
- Adjusting attributes such as prosody and timbre more independently