Kvíz spojený s průvodcem · Střední úroveň

FastPitch Pitch-ovladatelný TTS kvíz

Zjistěte, jak FastPitch předpovídá obrysy základní frekvence, upravuje výšku tónu při odvození a syntetizuje snímky mel paralelně.

Související vodicí cestyFastpitch Pitch Controllable Tts
Otázka 1 z 8

Jaký extra signál FastPitch explicitně předpovídá pro každý vstupní token?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Jaký extra signál FastPitch explicitně předpovídá pro každý vstupní token?
    • Výška tónu (základní frekvence)
    • Pohlaví mluvčího
    • Úroveň hluku na pozadí
    • ID jazyka
  2. Jak FastPitch generuje mel-spektrogram tak rychle?
    • Streamováním zvuku jeden vzorek po druhém
    • Neautoregresivně, v jediném paralelním průchodu vpřed
    • Kopírováním ze zaznamenané databáze
    • Tím, že běží pouze na jednom jádru CPU
  3. How can a user change the intonation contour in FastPitch output without retraining?
    • Smazáním fonémů
    • Pouze změnou náhodného semene
    • Změnou měřítka nebo úpravou předpokládaných hodnot výšky tónu
    • Snížením vzorkovací frekvence
  4. Jak se během tréninku přiřazuje cílová výška pro každý žeton?
    • Náhodná hodnota
    • Maximální amplituda zvuku
    • Pouze hodnota prvního snímku
    • Průměrná základní frekvence za dobu trvání tokenu
  5. What synthesis throughput did the FastPitch paper report for a typical utterance?
    • Over 900× real time for mel-spectrogram synthesis in the reported setup
    • About one second of audio per hour
    • Exactly 2× real time for waveform output
    • No measurement of synthesis speed
  6. Proč je ovládání rozteče podle tokenu popsáno jako intuitivní, ale hrubé?
    • Předpovídá výšku tónu na zvukový vzorek
    • Předpovídá jednu hodnotu výšky tónu na symbol, nikoli na snímek
    • Úplně ignoruje výšku tónu
    • Funguje pouze pro jeden reproduktor
  7. Which earlier parallel TTS architecture is FastPitch based on?
    • Tacotron 2
    • WavLM
    • FastSpeech
    • HiFi-GAN
  8. Besides pitch, what token-level signal helps FastPitch align text with output frames?
    • Speaker gender
    • Background noise level
    • Language identity only
    • Predicted token duration