Kvíz spojený s průvodcem · Těžko úroveň

Kvíz TTS NaturalSpeech a latentní difúze

Zahrnuje latentní šíření kodeků, nulové výstřely řeči, faktorizované atributy řeči a rozsah hlášených výsledků benchmarků.

Otázka 1 z 8

What did the original NaturalSpeech paper report for its LJSpeech evaluation?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. What did the original NaturalSpeech paper report for its LJSpeech evaluation?
    • Human-level quality under the paper’s stated evaluation protocol
    • Human-level quality on every language and speaker
    • Perfect equality to every human recording
    • A universal guarantee of naturalness
  2. Co vlastně generuje model latentní difúze NaturalSpeech 2?
    • Surové zvukové křivky přímo
    • Spojité latentní vektory z neurálního zvukového kodeku
    • Tištěné fonetické přepisy
    • Obrazové spektrogramy pro lidské prohlížení
  3. Jak difúzní model generuje data na vysoké úrovni?
    • Ukládá a přehrává tréninkové klipy
    • Vzorky seřadí podle abecedy
    • Naučí se zvrátit krok za krokem proces šumu, odšumovat od náhodného šumu k datům
    • Předpovídá pouze další slovo textu
  4. Jakou klíčovou schopnost poskytuje latentní difúze NaturalSpeech 2?
    • Převádění řeči do obrázků
    • Odstranění potřeby jakéhokoli zadávání textu
    • Generování pouze jednoho pevného hlasu
    • Zero-shot hlasové klonování z krátké referenční výzvy
  5. Jaká je hlavní myšlenka „faktorizovaného šíření“ NaturalSpeech 3?
    • Rozdělení řeči do oddělených atributů, jako je obsah, prozódie a zabarvení, modelované nezávisle
    • Generování řeči dvakrát rychleji přeskakováním textu
    • Komprese zvuku do jediného celého čísla
    • Použití pouze zpracování signálu založeného na pravidlech
  6. Proč vysoce věrné šíření TTS zvyšuje potřebu ochranných opatření, jako je vodoznak?
    • Protože to dělá audio soubory příliš velké na to, aby je bylo možné uložit
    • Protože realistické klonování hlasu s nulovým výstřelem přináší jasná rizika zneužití a předstírání identity
    • Protože to funguje pouze v jednom jazyce
    • Protože difúzní modely nelze vůbec trénovat
  7. After NaturalSpeech 2 diffusion generates codec latents, what converts them into speech?
    • A text tokenizer turns them into phonemes
    • A speaker diarization model turns them into subtitles
    • A neural audio-codec decoder turns the generated latents into waveform audio
    • A spectrogram classifier selects a genre
  8. What can NaturalSpeech 3’s factorized speech representation make easier?
    • Replacing the need for any audio decoder
    • Guaranteeing every cloned voice has consent
    • Converting speech into text without an acoustic model
    • Adjusting attributes such as prosody and timbre more independently