ফাস্টস্পিচ এবং নন-অটোরেগ্রেসিভ TTS কুইজ

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

1. ফাস্টস্পীচের প্রসঙ্গে 'নন-অটোরিগ্রেসিভ' বলতে কী বোঝায়?
   • এটি ক্রমানুসারে পরিবর্তে সমান্তরালে সমস্ত বর্ণালীগ্রাম ফ্রেম তৈরি করে
   • এটি ক্রমানুসারে এক এক করে অডিও ফ্রেম তৈরি করে
   • এটি দীর্ঘ বাক্য পরিচালনা করতে পারে না
   • এটি কোন প্রশিক্ষণ তথ্য প্রয়োজন
2. Tacotron 2 এর মতো অটোরিগ্রেসিভ মডেলের কোন সমস্যাটি ফাস্টস্পিচ বিশেষভাবে সমাধান করে?
   • কোন অডিও উত্পাদন করতে অক্ষমতা
   • মনোযোগের ত্রুটি থেকে ধীরে ধীরে প্রজন্ম এবং এড়িয়ে যাওয়া বা পুনরাবৃত্তি করা শব্দ
   • ইংরেজি পাঠ্যের জন্য সমর্থনের অভাব
   • কোয়ান্টাম হার্ডওয়্যার প্রয়োজন
3. ফাস্টস্পীচে 'দৈর্ঘ্য নিয়ন্ত্রকের' ভূমিকা কী?
   • এটি চূড়ান্ত অডিও ফাইলকে সংকুচিত করে
   • এটা রেকর্ডিং থেকে নীরবতা অপসারণ
   • এটি অডিওর দৈর্ঘ্যের সাথে মেলে তার পূর্বাভাসিত সময়কাল অনুসারে প্রতিটি ফোনমের উপস্থাপনা পুনরাবৃত্তি করে
   • এটা টেক্সট মধ্যে phonemes অনুবাদ
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. কেন ফাস্টস্পিচের অনুমান সময় সবেমাত্র বাক্যের দৈর্ঘ্যের সাথে বৃদ্ধি পায়?
   • সমস্ত ফ্রেম ক্রমানুসারে না হয়ে সমান্তরালে তৈরি হয়
   • এটি বেশিরভাগ ইনপুট পাঠ্যকে উপেক্ষা করে
   • এটি শুধুমাত্র এক-সেকেন্ডের ক্লিপ আউটপুট করে
   • এটি পূর্ব-রেকর্ড করা বাক্যের একটি লুকআপ টেবিল ব্যবহার করে
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