গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

গ্লো-টিটিএস মনোটোনিক অ্যালাইনমেন্ট কুইজ

গ্লো-টিটিএস কীভাবে বাহ্যিক অ্যালাইনার ছাড়াই সমান্তরালভাবে বক্তৃতা সংশ্লেষ করতে একঘেয়ে সারিবদ্ধকরণ অনুসন্ধান এবং একটি সময়কাল ভবিষ্যদ্বাণী ব্যবহার করে তা পরীক্ষা করুন।

সম্পর্কিত গাইড পাথগ্লো Tts একঘেয়ে সারিবদ্ধকরণ
প্রশ্ন 1 এর 8

মনোযোগ-ভিত্তিক TTS-এর সাথে কোন সমস্যাটি সমাধান করার লক্ষ্য Glow-TTS?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. মনোযোগ-ভিত্তিক TTS-এর সাথে কোন সমস্যাটি সমাধান করার লক্ষ্য Glow-TTS?
    • দীর্ঘ বাক্যে শব্দ এড়িয়ে যাওয়া বা পুনরাবৃত্তি করা
    • অডিও যে খুব শান্ত
    • একটি GPU ব্যবহার করতে অক্ষমতা
    • একটি পাঠ্য এনকোডারের অভাব
  2. গ্লো-টিটিএস-এ MAS এর অর্থ কী?
    • মেল অডিও সংশ্লেষণ
    • একঘেয়ে সারিবদ্ধকরণ অনুসন্ধান
    • মাল্টি-অ্যাটেনশন সিস্টেম
    • মডুলার অ্যাকোস্টিক স্যাম্পলার
  3. কেন সারিবদ্ধকরণ একঘেয়ে হতে হবে?
    • অডিও আরো জোরে করতে
    • ফাইলের আকার কমাতে
    • কারণ সময়ের সাথে সাথে টেক্সট বাম থেকে ডানে পড়া হয়
    • একাধিক স্পিকার সমর্থন করতে
  4. গ্লো-টিটিএস স্পেকট্রোগ্রাম মডেল করার জন্য কোন ধরনের ডিকোডার ব্যবহার করে?
    • একটি পুনরাবৃত্ত মনোযোগ নেটওয়ার্ক
    • একটি বিবর্তনীয় শ্রেণীবিন্যাসকারী
    • একটি ট্রান্সফরমার ভাষার মডেল
    • একটি স্বাভাবিক প্রবাহ
  5. অনুমান করার সময়, Glow-TTS কিভাবে নির্ধারণ করে যে প্রতিটি টেক্সট টোকেন কতক্ষণ স্থায়ী হয়?
    • একটি সময়কাল ভবিষ্যদ্বাণী টোকেন প্রতি ফ্রেম গণনা আউটপুট
    • এটি আবার অডিওতে MAS চালায়
    • এটা এলোমেলোভাবে অনুমান
    • এটি একটি মাইক্রোফোন ব্যবহার করে
  6. গ্লো-টিটিএস অ-অটোরিগ্রেসিভ হওয়ার ব্যবহারিক সুবিধা কী?
    • এটা কোন টেক্সট ইনপুট প্রয়োজন
    • এটি দ্রুত সংশ্লেষণের জন্য সমান্তরালভাবে সমস্ত ফ্রেম তৈরি করতে পারে
    • এটা পিচ নিয়ন্ত্রণ করতে পারে না
    • এটি শুধুমাত্র অফলাইনে কাজ করে
  7. What does the surjective-alignment assumption mean in Glow-TTS?
    • Each speech frame maps to multiple languages
    • Some text tokens must be skipped
    • Every text token maps to at least one speech frame
    • The output audio has no frame sequence
  8. How does Glow-TTS find a likely alignment during training?
    • A human marks every phoneme-frame pair by hand
    • It randomly permutes the text tokens
    • A waveform classifier chooses a speaker identity
    • Dynamic programming searches for the most probable valid monotonic path