FastSpeech и неавторегресивен TTS тест

Отговорите и обясненията се появяват, докато отговаряте на теста.

1. Какво означава „неавторегресивно“ в контекста на FastSpeech?
   • Той генерира всички рамки на спектрограмата паралелно, а не последователно
   • Той генерира аудио кадри един по един в последователност
   • Не може да обработва дълги изречения
   • Не изисква данни за обучение
2. Към кой проблем на авторегресивни модели като Tacotron 2 се отнася конкретно FastSpeech?
   • Невъзможност за създаване на звук
   • Бавно генериране и пропускане или повтаряне на думи от грешки на вниманието
   • Липса на поддръжка за английски текст
   • Изискващ квантов хардуер
3. Каква е ролята на „регулатора на дължина“ във FastSpeech?
   • Той компресира крайния аудио файл
   • Премахва тишината от записите
   • Той повтаря представянето на всяка фонема според прогнозираната й продължителност, за да съответства на дължината на звука
   • Превежда фонемите в текст
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. Защо времето за извод на FastSpeech едва нараства с дължината на изречението?
   • Всички кадри се генерират паралелно, а не последователно
   • Той игнорира по-голямата част от въведения текст
   • Извежда само едносекундни клипове
   • Той използва таблица за търсене на предварително записани изречения
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