Тест, свързан с ръководство · Среден Ниво

StyleTTS 2 Тест за разпространение на стил

Тествайте как StyleTTS 2 моделира стила на речта, обучава се с дискриминатори на реч и език и се представя на докладвани набори за оценка.

Свързани ръководни пътекиДифузия в стил Styletts 2
Въпрос 1 на 8

Какво моделира StyleTTS 2, използвайки процес на дифузия?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво моделира StyleTTS 2, използвайки процес на дифузия?
    • Латентен „стилов вектор“, контролиращ прозодията и тембъра
    • Необработената аудио вълна проба по проба
    • Текстовият препис на речта
    • Слуховият отговор на слушателя
  2. Кой предварително обучен модел на реч се използва като състезателен дискриминатор в StyleTTS 2?
    • ResNet-50
    • WavLM
    • БЕРТ
    • КЛИП
  3. Защо StyleTTS 2 може да каже едно и също изречение по много естествени начини?
    • Произволно поврежда въведения текст
    • Всеки път използва различен езиков модел
    • Стилът е извадка от разпределение, а не фиксирана
    • Променя правописа на фонемата
  4. What did the StyleTTS 2 authors report on the LJSpeech listening evaluation?
    • It outperformed humans on every language and dataset
    • No listeners evaluated the samples
    • It was tested only on music
    • Native English listeners rated its samples above the human recordings in that study
  5. Какво дава обучението от край до край на StyleTTS 2?
    • Градиентите преминават от качеството на вълновата форма обратно през целия тръбопровод
    • Изобщо не се нуждае от въвеждане на текст
    • Той само обучава вокодер отделно
    • Премахва необходимостта от каквато и да е невронна мрежа
  6. What can sampling different style vectors do for the same text?
    • Change the transcript into a different language automatically
    • Produce different prosodic realizations of the written content
    • Guarantee every rendition sounds human
    • Remove the need for speech synthesis
  7. What speech input does ordinary StyleTTS 2 synthesis require to sample a style?
    • A three-second reference clip is always required
    • A human listener must speak the sentence first
    • No reference speech is required; it can generate style from the text-conditioned model
    • A transcript of every training speaker
  8. On which dataset did the StyleTTS 2 paper report results for zero-shot speaker adaptation?
    • ImageNet
    • КОКО
    • MUSDB18
    • LibriTTS