Тест, свързан с ръководство · трудно Ниво

NaturalSpeech и Latent Diffusion TTS тест

Обхваща латентна дифузия на кодека, говорни подкани с нулев изстрел, факторизирани говорни атрибути и обхвата на отчетените резултати от сравнителния тест.

Свързани ръководни пътекиЕстествена реч и латентна дифузия Tts
Въпрос 1 на 8

What did the original NaturalSpeech paper report for its LJSpeech evaluation?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. 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
  2. Какво всъщност генерира моделът на латентна дифузия на NaturalSpeech 2?
    • Необработени аудио вълни директно
    • Непрекъснати латентни вектори от невронен аудио кодек
    • Печатни фонетични преписи
    • Спектрограмни изображения за гледане от хора
  3. Как дифузионният модел генерира данни на високо ниво?
    • Той запомня и възпроизвежда обучителни клипове
    • Сортира пробите по азбучен ред
    • Той се научава да обръща стъпка по стъпка процес на шум, премахвайки шума от случаен шум към данни
    • Той предвижда само следващата дума от текста
  4. Каква ключова възможност дава латентната дифузия на NaturalSpeech 2?
    • Превеждане на речта в изображения
    • Премахване на необходимостта от въвеждане на текст
    • Генериране само на единичен фиксиран глас
    • Гласово клониране с нулев удар от кратка справка
  5. Каква е централната идея на „факторизираната дифузия“ на NaturalSpeech 3?
    • Разделяне на речта на отделни атрибути като съдържание, прозодия и тембър, моделирани независимо
    • Генериране на реч два пъти по-бързо чрез пропускане на текст
    • Компресиране на аудио в едно цяло число
    • Използване само на базирана на правила обработка на сигнала
  6. Защо дифузионният TTS с висока точност увеличава необходимостта от предпазни мерки като воден знак?
    • Тъй като прави аудио файловете твърде големи за съхранение
    • Тъй като реалистичното клониране на глас с нулев шанс повишава ясни рискове от злоупотреба и представяне под чужда самоличност
    • Защото работи само на един език
    • Тъй като дифузионните модели изобщо не могат да бъдат обучени
  7. 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
  8. 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