Kvíz spojený s průvodcem · Střední úroveň
Kvíz FastSpeech a neautoregresivní TTS
Kontroluje generování paralelního spektrogramu, expanzi trvání, úpravu rozteče a energie FastSpeech 2 a kompenzace odvození.
Otázka 1 z 8
Co znamená „neautoregresivní“ v kontextu FastSpeech?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Co znamená „neautoregresivní“ v kontextu FastSpeech?
- Generuje všechny snímky spektrogramů spíše paralelně než postupně
- Generuje zvukové snímky jeden po druhém v sekvenci
- Nezvládá dlouhé věty
- Nevyžaduje žádná tréninková data
- Který problém autoregresivních modelů, jako je Tacotron 2, konkrétně řeší FastSpeech?
- Neschopnost produkovat jakýkoli zvuk
- Pomalé generování a přeskakovaná nebo opakovaná slova z chyb pozornosti
- Nedostatek podpory pro anglický text
- Vyžaduje kvantový hardware
- Jaká je role „regulátoru délky“ ve FastSpeech?
- Zkomprimuje konečný zvukový soubor
- Odstraňuje ticho z nahrávek
- Opakuje reprezentaci každého fonému podle jeho předpokládané doby trvání, aby odpovídala délce zvuku
- Překládá fonémy do textu
- Na jakých dalších řečových variacích FastSpeech 2 během trénování a inference závisí?
- Pouze na věku mluvčího a místě nahrávání
- Na snímcích videa a barvě titulků
- Na jedné pevné globální hodnotě hlasitosti
- Na informacích o výšce tónu, energii a délce trvání
- Proč inferenční čas FastSpeech sotva roste s délkou věty?
- Všechny snímky jsou generovány paralelně, nikoli sekvenčně
- Ignoruje většinu vstupního textu
- Vždy vydává pouze jednosekundové klipy
- Používá vyhledávací tabulku předem nahraných vět
- Jak regulátor délky využívá predikované délky trvání ve FastSpeech?
- Vybírá výsledný zvukový kodek
- Rozšiřuje reprezentace na úrovni fonémů tak, aby odpovídaly délce cílového spektrogramu
- Odhaduje identitu mluvčího z videa
- Převádí text na sekvenci štítků pro překlad
- Jaký je jeden z kompromisů neautoregresivního generování spektrogramů?
- Zaručuje identickou prozódii jako u autoregresivního modelu
- Odstraňuje potřebu vokodéru vlnových průběhů
- Paralelní výstup může být rychlejší, ale délka trvání a řečové variace musí být modelovány explicitně
- Nemůže přijímat text jako vstup
- Jaký tréninkový cíl používá FastSpeech 2 namísto zjednodušených výstupů generovaných učitelem ve FastSpeech?
- Pouze predikované délky trvání bez akustického cíle
- Přeložený textový přepis
- Pouze výstup diskriminátoru GAN
- Reprezentace cílové řeči založené na skutečných datech