Тест, свързан с ръководство · Среден Ниво
Викторина за авторегресивен синтез на TTS на Tortoise
Вижте как Tortoise съчетава авторегресивни речеви токени, дифузионен декодер и избор на кандидат за висококачествен синтез.
Въпрос 1 на 8
Какво прави авторегресивният трансформатор на Tortoise в тръбопровода за синтез?
Визуализирайте всеки въпрос8 въпроси
Отговорите и обясненията се появяват, докато отговаряте на теста.
- Какво прави авторегресивният трансформатор на Tortoise в тръбопровода за синтез?
- Предсказва речеви токени в зависимост от текста и информацията за говорещия
- Измерва само силата на звука на крайната форма на вълната
- Избира лиценз за генерираното аудио
- Преобразува видео кадри в субтитри
- Какво може да направи Tortoise само с няколко кратки референтни клипа?
- Транскрибирайте аудио към текст
- Клонирайте целевия глас и прочетете произволен текст
- Превеждайте само езици
- Премахнете фоновия шум
- Кои две моделни семейства са повлияли най-много върху дизайна на Tortoise?
- Дървета на решенията и SVM
- Базирани на правила фонемни таблици и HMM
- Авторегресивни трансформатори и дифузия
- Само конволюционни филтри
- Как Tortoise избира измежду множество генерирани кандидати?
- Избира първия
- Винаги избира най-късия
- Той пита потребителя
- Той използва CLVP модел за оценяване, за да ги класира спрямо текста
- Кой създаде Tortoise TTS?
- Джеймс Беткер
- Джефри Хинтън
- Иън Гудфелоу
- Андрей Карпати
- Каква е основната причина Tortoise да е сравнително бавен?
- Всеки път изтегля гласове от облака
- Той дава приоритет на качеството, вземайки проби и прецизирайки много кандидати
- Работи само на процесори
- Той компресира аудио многократно
- Какво може да генерира опцията за случаен глас на Tortoise без предоставен референтен високоговорител?
- Проверен запис на конкретен реален човек
- Превод на съществуваща юридическа самоличност на говорител
- Синтетичен глас, избран от модела
- Високоговорител, вграден от липсващ аудио файл
- Как Tortoise пакетира кондициониране на референтен глас за повторна употреба?
- Той съхранява само текстов препис
- Той запазва гласа като LoRA за модел на изображение
- Той записва официалното име на говорещия във формата на вълната
- Той съхранява латенти на авторегресия и дифузия