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.

Související vodicí cestyRychlá řeč a neautoregresivní Tts
Otázka 1 z 8

Co znamená „neautoregresivní“ v kontextu FastSpeech?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  7. 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
  8. 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